"Un industriel doit pouvoir lever en partie l’effet de boîte noire des modèles IA"

Vous êtes membre du comité scientifique du Forum Teratec (20-21 octobre) : quels ont été vos points de vigilance sur le programme de cette rencontre ?

Teratec se positionne historiquement autour du calcul haute performance, notamment pour la simulation numérique. Aujourd’hui, le calcul haute performance est utilisé dans de nombreux autres domaines. Ces dernières années, l’intelligence artificielle a pris une place considérable, aux côtés du quantique. Dans la préparation du programme 2026, l’un des enjeux était donc de montrer ce que l’IA représente concrètement pour les entreprises, au-delà des grands modèles de langage et des débats plus « grand public » qui les entourent. Il nous semblait important de disposer de retours d’expérience de grands industriels et de grandes entreprises françaises sur l’utilisation des outils d’intelligence artificielle et sur les gains réellement obtenus.

Pour les entreprises, la question de la création de valeur est essentielle. Les gains annoncés autour de l’IA peuvent apparaître comme considérables, mais encore faut-il déterminer ce qu’il en reste une fois que l’on prend en compte l’ensemble du cycle de développement d’un produit, de sa maintenance et de son potentiel déploiement. Le programme a été construit autour de témoignages permettant de regarder ce qui se passe réellement dans les entreprises, plutôt que de rester au niveau des promesses technologiques.

Quelles sont les questions qui se posent depuis la démocratisation rapide de l’IA auprès des entreprises, dans votre perspective ?

La question n’est plus seulement celle de l’utilisation d’un grand modèle de langage pour obtenir une réponse à une question. Dans l’industrie, l’IA devient un outil qui peut intervenir dans la conception d’un produit, la production, la maintenance ou encore le déploiement. On change donc d’échelle et de nature d’usage.

Un exemple est celui de l’aide au développement logiciel. Les outils spécialisés permettent aujourd’hui de décrire ce que l’on souhaite obtenir et de générer une partie du code. C’est intéressant pour certaines tâches, notamment les plus simples. Mais le code produit par une IA n’est pas nécessairement équivalent à celui qu’aurait écrit un développeur. Il faut donc se poser les questions de la responsabilité, de la maintenance, de la portabilité et du respect des règles de codage.

Il faut également mesurer le gain réel. Si un développeur doit ensuite relire le code, le vérifier, le remettre en forme et s’assurer qu’il respecte les contraintes de production, le temps gagné lors de la génération n’est pas nécessairement le temps gagné sur l’ensemble du processus. La question reste donc ouverte, y compris chez les grands industriels qui expérimentent ces outils tout en cherchant à en évaluer précisément les bénéfices.

Vous animerez lors du Forum Teratec un échange consacré à l’industrie et à l’intégration de l’IA dans ses processus : où en sommes-nous aujourd’hui en France sur le sujet ?

Les grands industriels français qui disposent de laboratoires de recherche internes se saisissent clairement de ces questions. Ils testent les technologies et cherchent en même temps à évaluer les gains qu’elles peuvent apporter.

Le programme du Forum Teratec permet justement de montrer la diversité de ces usages. Des applications Stellantis viendront illustrer comment l’IA peut contribuer à réinventer la simulation numérique. Traditionnellement, celle-ci repose sur des équations et des solveurs numériques permettant de résoudre des systèmes d’équations. Des modèles apprenant à partir de corpus de données peuvent désormais venir compléter cette approche, notamment pour aider au développement. À la SNCF, les réflexions portent notamment sur l’utilisation de l’IA dans les processus de maintenance et dans la gestion d’infrastructures. Chez EDF, l’objectif est également de partager les retours d’expérience sur les bénéfices obtenus et sur la capacité de ces technologies à passer à l’échelle.

Le passage à l’échelle est une question importante pour l’industrie. Il existe une première phase de conception, puis des pilotes, des développements, des chaînes de production et enfin si les phases précédentes donnent satisfaction un déploiement. L’IA est souvent présentée comme un accélérateur, mais encore faut-il déterminer si elle permet réellement de réduire les délais entre l’idée initiale et le déploiement d’un produit ou d’un système, avec une vision sur l’ensemble de la chaîne. L’entreprise spécialiste des systèmes de sonorisations, Gobal L-acoustics viendra d’ailleurs nous partager son expérience sur le sujet.

Et en la matière, quels sont les grands défis que les industriels vont devoir relever en priorité dans les mois et années à venir ?

Le premier défi consiste à passer de la recherche à des environnements opérationnels. Un résultat de recherche intéressant n’est que le début : il faut ensuite le valider sur d’autres données, le porter et le déployer. C’est à ce moment-là que de nombreuses nouvelles questions apparaissent.

L’une d’elles concerne l’explicabilité. Le témoignage d’Airbus viendra illustrer ces questions. Lorsqu’un outil d’IA produit une décision, par exemple dans le domaine de la maintenance, il ne suffit pas toujours de savoir qu’un équipement n’est pas conforme. L’industriel doit comprendre où agir. Il faut donc être capable de lever, au moins en partie, l’effet de boîte noire des modèles et, lorsque la « boîte blanche », c’est-à-dire une vraie transparence, n’est pas possible, parvenir tout de même à une forme de boîte grise acceptable.

Une autre question essentielle à laquelle il faut pouvoir répondre est celle de l’incertitude. Les données utilisées pour entraîner un modèle sont elles-mêmes imparfaites et comportent une certaine variabilité. Il faut donc être capable d’évaluer l’incertitude liée aux données comme aux modèles. Cette question est particulièrement importante lorsque l’IA est utilisée dans des applications industrielles dont la criticité est élevée. La qualité et la nature des données constituent ainsi un enjeu majeur. Plus largement, il faut être attentif à la provenance des données, à leur qualité, à leur précision et aux conditions dans lesquelles elles ont été acquises. La donnée est la matière première du modèle : le choix de cette matière première a nécessairement un impact sur le résultat obtenu.

Enfin, pour la simulation, une autre voie de recherche consiste à enrichir les modèles d’IA avec des connaissances physiques, par exemple des équations. L’objectif est notamment d’intégrer dans les modèles les lois physiques qui régissent les phénomènes étudiés, afin de mieux exploiter l’IA dans des contextes où les données disponibles sont parfois limitées. Les grands modèles de langage nécessitent des corpus considérables, mais un industriel qui démarre une nouvelle ligne de production ou développe un nouveau produit ne dispose pas nécessairement d’un historique de données suffisant. Il faut alors pouvoir adapter des modèles existants à des corpus plus réduits et à des problématiques précises. Ce sont des sujets clés sur lesquels de nombreux acteurs sont très actifs aujourd’hui.

En tant qu’enseignante, notez-vous par ailleurs des évolutions dans les attentes de vos étudiants sur les transformations numériques en cours ?

La transformation la plus visible concerne l’usage quotidien de l’IA par les étudiants. Depuis un ou deux ans, le changement est très rapide. Ils utilisent ces outils comme une forme de soutien, voire comme un professeur particulier, pour comprendre un cours ou débloquer un problème. Un étudiant qui n’osait pas poser une question peut la poser à une IA et poursuivre son travail. Pour les questions simples, ces outils peuvent donc apporter une aide réelle. Le risque apparaît lorsque les questions deviennent plus complexes. Il faut alors que l’étudiant possède suffisamment de connaissances pour identifier une réponse fausse, incomplète ou présentant un angle mort. C’est un point fondamental de l’apprentissage : notre rôle n’est pas seulement de transmettre une réponse, mais d’apprendre à l’étudiant à construire le raisonnement qui lui permettra de résoudre un problème. L’arrivée de l’IA nous conduit donc à revisiter nos méthodes d’enseignement. Les détails techniques peuvent de plus en plus être apportés par des outils d’IA. En revanche, il devient d’autant plus important de transmettre la vision d’ensemble, la compréhension des problèmes et les mécanismes de raisonnement.

Les étudiants sont également sensibilisés à des enjeux plus transverses. L’empreinte environnementale est devenue une préoccupation forte depuis plusieurs années, même si elle n’est pas toujours intégrée spontanément dans leur réflexion sur les usages numériques. Sur les questions de souveraineté, de protection des données, de droits d’auteur ou encore de licences, la sensibilisation est plus progressive. En première année, ces sujets apparaissent souvent abstraits pour les étudiants. Ils prennent une dimension beaucoup plus concrète lorsque les étudiants arrivent en stage ou dans une entreprise et découvrent qu’on ne peut pas nécessairement utiliser n’importe quel code, n’importe quelle donnée ou n’importe quel outil.

C’est finalement au contact de l’environnement professionnel que ces contraintes prennent toute leur réalité. L’enjeu, pour la formation, est donc de préparer les étudiants non seulement à utiliser les technologies, mais aussi à comprendre leurs limites, leurs conditions d’emploi et les conséquences de leurs choix quand ils les exerceront dans un secteur comme l’industrie.