Europe 
Türkiye 
United Kingdom 
Global 
Se connecter avec mon compte Xometry 
Le PDG et cofondateur de Bench, Martin Bielicki, nous a expliqué pourquoi l’ingénierie matérielle est la prochaine frontière de l’IA, ce qu’il faut pour automatiser la préparation de la géométrie et la reconstruction CAO, et pourquoi le contexte l’emporte sur les capacités brutes des modèles.
Le temps passé à exécuter n’est pas consacré à la réflexion
Quel est le problème avec les flux de travail d’ingénierie actuels ?
La conception matérielle est remplie de flux de travail très manuels. Souvent, les ingénieurs savent quoi faire, mais passent la majeure partie de leur temps à exécuter ce qu’ils savent, plutôt qu’à réfléchir à ce qu’il faut faire. C’est de l’exécution, pas de la R&D ni de l’innovation, ce pour quoi ils devraient être payés.
Le développement logiciel était très similaire avant que l’IA ne change la donne ; le développement matériel devra suivre cette voie.
Quelles en sont les conséquences ?
La conséquence directe est évidemment la perte de temps pour les ingénieurs.
La conséquence directe est évidemment la perte de temps pour les ingénieurs. Mais les effets secondaires sont encore plus importants. Si votre équipe de simulation passe 50 % de son temps à préparer la géométrie, elle ne lance pas de nouvelles itérations. Cela signifie un délai de mise sur le marché plus long et des conceptions de produits sous-optimales.
Les responsables de l’ingénierie commencent à voir cela comme une question existentielle. Pas tous, mais on y vient. Le sentiment général est qu’ils doivent adopter l’IA pour ne pas être distancés.
Parfois, le fait qu’un processus soit manuel le rend tout simplement irréalisable. Vous pourriez avoir besoin de convertir un maillage STL en CAO paramétrique. L’ingénieur devrait refaire tout le modèle en CAO. Ce serait extrêmement bénéfique, mais c’est infaisable. Donc, le travail n’est pas fait.
Avez-vous vécu ce problème vous-même ?
Oui. Je suis ingénieur en mécanique. À l’université, j’ai fondé une équipe appelée Hyperlink qui a fini par construire la première capsule Hyperloop de Londres. Je dirigeais une centaine d’ingénieurs répartis en neuf équipes : structures, aérodynamique, électronique, logiciels. Même dans un cadre universitaire, on voyait à quel point les processus étaient manuels, ralentis par des goulots d’étranglement et impossibles à automatiser.
C’était entre 2020 et 2022, donc avant l’arrivée des LLM. Quand les LLM sont apparus, j’ai tout de suite pensé à les appliquer à mon domaine. La vision a toujours été un ingénieur en mécanique IA. On l’appelait le Cursor du hardware. Aujourd’hui, c’est plutôt le Claude Code du hardware. Les noms changent, mais la vision reste la même.
Une plateforme unique pour contrôler et automatiser vos outils d’ingénierie
Que fait Bench ?
Nous construisons ce que nous appelons un système d’exécution d’ingénierie (EES). Il ne rentre pas exactement dans les catégories existantes de CAO, d’IAO ou de PLM. C’est un logiciel distinct qui se superpose aux outils existants, s’y connecte et exécute des tâches de manière autonome au-delà de leurs limites.
En programmation, votre agent vit dans votre IDE et c’est là que tout se passe. En ingénierie, vous avez la CAO, les simulations, la documentation, le PLM, le cahier des charges, le tout dans des outils différents. Il faut franchir leurs frontières pour avoir suffisamment de contexte et accomplir les tâches de bout en bout. C’est ce que fait Bench.
Votre site web mentionne la préparation de la géométrie pour la simulation, l’optimisation autonome et la conversion de STL en CAO paramétrique. Pouvez-vous nous expliquer cela ?
Nous commençons par la simplification géométrique (defeaturing) pour la simulation et la conversion de STL en CAO. Ces deux aspects se rejoignent techniquement.
La préparation de la géométrie est le plus gros goulot d’étranglement pour les équipes de simulation. Les équipes de simulation de grandes entreprises à qui nous avons parlé passent jusqu’à 70 % de leur temps au nettoyage de la géométrie. Des outils comme ANSA existent et font 90 % du travail, mais les 10 % restants nécessitent deux jours d’efforts manuels. Pour un modèle de moteur complexe, cela représente 30 heures de simplification. Ce sont de vrais chiffres provenant d’équipes d’ingénierie en entreprise.
La conversion de STL en CAO paramétrique est l’autre point de départ. Nous pouvons passer d’un fichier STEP à un fichier CAO natif entièrement paramétrique dans Onshape, avec des esquisses totalement contraintes et des paramètres définis. Un modèle qui prendrait quatre heures à un ingénieur, nous le réalisons en 15 à 20 minutes. Une fois le pipeline STL vers STEP entièrement finalisé, vous pourrez aller du STL jusqu’à la CAO paramétrique dans l’outil de votre choix.
Quel est donc le lien entre les deux ?
Notre approche de la simplification géométrique est différente de l’approche traditionnelle. Habituellement, on convertit en maillage et on simplifie dans l’environnement de maillage car c’est plus facile pour les humains. Ce que nous faisons, c’est utiliser notre capacité de conversion de STL en CAO paramétrique pour paramétrer d’abord le modèle, puis nous le simplifions sur le modèle paramétrique. Il est plus facile pour les agents de travailler sur une CAO paramétrique que sur des maillages. Ces deux cas d’usage reposent donc sur la même technologie de base.
L’optimisation autonome s’appuie sur les deux. C’est là que vous avez besoin de l’intelligence CAO tout en prenant en compte les résultats de simulation ; vous travaillez donc sur deux outils. C’est une vision plus à long terme pour le moment.
Vous affirmez qu’il n’y a pas d’hallucinations de l’IA. Comment ?
C’est le cœur de notre technologie. Nous avons créé une nouvelle représentation pour l’ingénierie appelée PRISM, qui regroupe tout le contexte d’ingénierie, y compris la CAO, la simulation et les données d’intention de conception.
Pensez-y de cette façon. Votre modèle CAO ne sait pas pourquoi il a été conçu. L’ingénieur, lui, le sait. Peut-être qu’une simulation a montré qu’une paroi ne peut pas faire moins de 5 mm. Peut-être que l’ingénieur a appris il y a trois ans que donner une certaine forme à une pièce la rend fabricable. Ce contexte a orienté la conception, mais il n’est pas reflété dans le fichier CAO.
Nous pensons qu’un modèle légèrement moins puissant mais disposant du bon contexte surpassera un modèle beaucoup plus performant qui en est dépourvu. La première étape avec Bench est donc le partage du contexte. L’ingénieur indique à Bench ce qui compte : les paramètres clés, les contraintes, l’intention de conception. Si le contexte est incomplet, Bench pose des questions de suivi. Cela peut prendre 10 à 20 minutes, mais si vous automatisez un processus qui prend 10 heures manuellement, c’est un gain énorme.
La deuxième partie consiste à tout ancrer dans des outils mathématiques. Convertir du STL en CAO implique beaucoup de calculs exacts. Nous marions le raisonnement sémantique des LLM avec des algorithmes déterministes qui encadrent les résultats par des vérités mathématiques. Les agents ont un terrain de jeu, et les mathématiques en fixent les limites.
Les industries qui itèrent
Quels types d’entreprises en tirent le plus de bénéfices ?
Les grandes entreprises. Si vous ciblez des cas d’usage très précis, les petites entreprises s’en moquent un peu. Si vous allez voir une équipe de simulation dans une grande entreprise et que vous automatisez sa simplification géométrique, cela représente 20 % de son travail. Mais si vous allez voir une start-up hardware de cinq personnes, 20 % de leur travail est réparti sur 20 compétences différentes. Il faut un produit beaucoup plus large pour offrir la même valeur ajoutée. Nous commençons donc par les grandes entreprises et nous descendons ensuite.
Les industries ayant d’importants besoins d’itération sont les plus intéressées. L’automobile, l’aérospatiale et certains grands acteurs industriels. L’automobile, en particulier, subit actuellement de fortes pressions sur les coûts et cherche donc activement à gagner en efficacité.
Avez-vous déjà des clients qui utilisent le produit ?
Nous avons des déploiements pilotes en cours. Je ne peux pas donner trop de détails à cause des accords de confidentialité (NDA), mais des entreprises utilisent activement Bench.
Quel est le plus grand avantage constaté par les utilisateurs ?
Rendre possible un processus qui était auparavant infaisable car trop manuel. Convertir des fichiers STEP en CAO paramétrique native pour explorer des espaces de conception. Le client avait besoin de modèles paramétrés mais ne pouvait pas justifier les heures d’ingénierie nécessaires pour les redessiner à la main. Maintenant, il peut le faire automatiquement. C’est le plus gros avantage.
Le fait que les équipes de simulation comprennent que fluidifier la préparation de la géométrie augmente directement le nombre d’itérations qu’elles peuvent exécuter arrive juste derrière.
Le déploiement commence par les KPI
Combien coûte Bench ?
Nous vendons des licences d’entreprise, personnalisées pour chaque contrat. Nous ne facturons pas par poste de travail au sens traditionnel. Nous facturons par fonctionnalité (comme la conversion de STL en CAO ou la simplification géométrique) et le prix évolue selon que la solution est déployée pour une équipe ou un département entier.
Les entreprises d’ingénierie ont l’habitude de payer 40 000 euros pour une seule licence de logiciel de simulation, et certaines entreprises de simulation facturent déjà par exécution ou par niveau de précision. C’est à peu près vers cela que se dirige la tarification de l’IA. Pour l’instant, nous sommes à mi-chemin entre la licence par poste et la facturation à l’usage. Je pense que nous irons davantage vers la tarification à l’usage à l’avenir, mais le marché n’est pas encore tout à fait prêt pour cela.
À quoi ressemble le déploiement ?
Nous commençons par un projet pilote ciblé où nous définissons des KPI spécifiques concernant les gains de temps et la qualité des résultats. Un certain ajustement est généralement nécessaire pour le cas d’usage spécifique, car chaque entreprise a un flux de travail légèrement différent ou produit des pièces nécessitant un traitement particulier.
Une fois le pilote réussi, nous nous intégrons également à l’ensemble des outils sur site, comme CATIA ou Siemens NX. Pendant la phase pilote, nous préférons fonctionner sur des logiciels de CAO cloud car il est plus rapide d’itérer.
Où sont stockées les données ?
Les données restent chez vous. Bench ne conserve pas vos données CAO. Nous nous connectons via une API ou une interface graphique et nous exécutons les conversions dans votre environnement CAO. Ainsi, un modèle redessiné dans Onshape est un modèle Onshape à part entière, comme si vous l’aviez créé à la main.
Construire un cerveau d’ingénierie évolutif
À quel point ce secteur est-il concurrentiel ?
Il y a beaucoup d’entreprises d’IA dans les logiciels d’ingénierie aujourd’hui, mais elles sont sur des sous-niches. Automatisation du dessin par IA, substituts par IA pour des simulations plus rapides, conversion de texte en CAO. Dans chaque créneau, la concurrence n’est pas encore énorme. Lorsque nous rencontrons des clients, nous ne sommes pas vraiment confrontés à des concurrents. La plupart du temps, nous luttons contre l’inertie et la décision de ne rien faire.
En programmation, vous avez vu apparaître dix agents qui font à peu près la même chose. En ingénierie, les flux de travail sont plus complexes : vous êtes coincés dans des outils spécialisés, et les points de départ sont beaucoup plus variés. Une IA pour les dessins d’ingénierie et une IA pour la simplification géométrique n’ont actuellement aucun point commun. À l’avenir, ce sont tous les deux des flux de travail d’ingénierie et ils pourraient converger, mais aujourd’hui, ils sont complètement séparés.
Vous avez dit que les ingénieurs finiraient par diriger des équipes d’ingénieurs IA. Dans combien de temps cela se produira-t-il ?
C’est la question que se pose chaque industrie fondée sur la connaissance. Nous pensons que l’ingénierie suivra la même voie que le logiciel. Les ingénieurs logiciels passent de l’écriture de chaque ligne de code au rôle d’architecte. Ils rédigent un cahier des charges, le transmettent à un agent, examinent le résultat et itèrent en langage naturel.
Nous voulons la même chose pour le matériel (hardware). L’ingénieur partage l’intention de conception, ce qu’il essaie d’accomplir, et les agents se chargent de l’exécution. L’ingénieur évalue, itère et valide. Il n’est plus obligé de sélectionner chaque chanfrein sur le modèle et de l’enlever à la main.
Quelle est la prochaine étape pour Bench ?
Nous commençons par deux cas d’usage très précis. La conversion de STL en CAO représente peut-être 1 ou 2 % de l’ensemble de l’ingénierie. La simplification géométrique, peut-être encore 2 %. Mais l’ambition est d’automatiser toute l’ingénierie. La façon dont nous développons la technologie va dans ce sens. Nous ne construisons pas des cas d’usage isolés regroupés sous un même toit. La technologie de base des agents est la même pour tous : ingestion du contexte, planification des flux de travail, exécution. Nous construisons un cerveau d’ingénierie capable d’évoluer à travers les cas d’usage.
Y a-t-il des entreprises d’IA intéressantes dans l’ingénierie que vous aimeriez mettre en avant ?
Synera est intéressante. Ils font de l’automatisation de flux de travail pour l’ingénierie depuis sept ou huit ans, à l’origine sans IA, et maintenant ils ont ajouté une couche d’IA.
J’ai récemment rencontré le fondateur de NexCAD au Develop3D Live et le cas d’usage de l’automatisation du dessin semble très pertinent. Une autre entreprise plus récente que nous avons croisée lors de ce même événement est Depix. Ils font de l’IA pour la conception préliminaire, ce qui est le même processus que nous automatisons, mais plus en amont dans le flux.
Related Topics
Manon Bouriaud
Uliana Krayneva
0
4
Comment(0)