Le 2026 NAFEMS Amériques La conférence a clairement démontré que le débat sur l'IA pour l'ingénierie numérique s'est considérablement accéléré. Il y a un an, les sessions consacrées à l'IA en simulation étaient essentiellement exploratoires. Cette année, une part importante du programme était dédiée au déploiement de l'IA : ses réussites, ses échecs et les perspectives d'avenir. L'application de l'IA à divers aspects du travail quotidien des ingénieurs est devenue le thème central des conférences NAFEMS à l'échelle mondiale, touchant la quasi-totalité des secteurs industriels et des disciplines de la physique.

Ingénierie agentique : un impact réel, une collaboration humaine indispensable

La session consacrée aux flux de travail de simulation pilotés par agents a été l'une des plus suivies de la conférence. Les questions centrales qui ont animé les discussions ne portaient pas sur la pertinence des agents en ingénierie, mais sur la manière de les déployer de façon responsable. Les praticiens privilégient des cas d'usage précis, intégrés aux flux de travail : orchestration autonome des tâches, détection d'erreurs, post-traitement et génération de rapports structurés. Une approche trop générale de la « transformation par agents » suscite du scepticisme. En revanche, les cas d'usage spécifiques suscitent l'intérêt.

Un thème récurrent de la séance de questions-réponses : les ingénieurs veulent garder le contrôle. Les points de contrôle nécessitant une intervention humaine sont une exigence de conception. Les démonstrations les plus convaincantes ont présenté des agents qui rendent compte de leurs décisions aux ingénieurs au lieu de les prendre en silence. Cette approche a trouvé un écho favorable. Les agents autonomes capables de reconnaître leurs erreurs (et de s'interrompre pour une intervention humaine) ont été perçus comme nettement plus fiables que ceux qui se contentent d'exécuter des tâches.

Les données d'un sondage mené auprès des participants ayant visité le stand Rescale confirment un thème central de l'événement : la plupart (55 %) ont déclaré qu'ils étaient toujours… manuellement Le transfert des résultats entre les étapes de simulation (par exemple, le téléchargement des données et leur réimportation dans l'outil suivant ou leur transmission à l'équipe suivante) est une fonctionnalité essentielle. L'automatisation des flux de travail par agents commence déjà à répondre à ce besoin, mais les experts ont insisté sur le fait que la confiance doit se gagner progressivement durant cette phase initiale d'adoption.

Physique et IA : fort intérêt, exigences de validation élevées

L'IA basée sur la physique et la modélisation de substitution ont suscité de nombreuses discussions lors de plusieurs sessions et de conversations informelles. Les ingénieurs ont clairement distingué les modèles de substitution, les modèles d'ordre réduit et les réseaux neuronaux basés sur la physique, et ils appliquent à chacun des normes de preuve différentes.

La disponibilité des données a été le principal obstacle à la mise en œuvre, et ce, de manière récurrente. L'entraînement d'un modèle de substitution nécessite des données de simulation structurées à grande échelle, or, pour de nombreuses équipes, ces données n'existent pas sous une forme exploitable ou sont dispersées dans des systèmes non connectés. 

Un expert a constaté que certaines organisations suppriment progressivement les données de simulation afin de gérer le stockage, ne conservant que les données de décision. Conséquence : les flux de travail automatisés qui activent les données dormantes ou auparavant inutilisables sont une condition essentielle au déploiement à grande échelle de l’IA en physique.

Ce que les praticiens demandent et testent

Les séances de questions-réponses organisées pendant la conférence ont été aussi instructives que les présentations elles-mêmes. Quelques questions sont revenues à plusieurs reprises, révélant ainsi les véritables points de friction :

Comment protéger notre propriété intellectuelle et nos données de simulation dans un environnement cloud mutualisé ? La gouvernance des données constituait le principal obstacle à la confiance, et pas seulement pour les outils d'IA. Les équipes souhaitent des réponses claires concernant l'isolation des données, les contrôles d'accès et la propriété des données.

La physique basée sur l'IA nécessite-t-elle une solide expérience en science des données pour être déployée ? La réponse attendue par les entreprises est négative, car leur objectif est de rendre les méthodes d'IA accessibles à un plus grand nombre de rôles au sein de l'organisation et de la chaîne de valeur des produits. Les déploiements qui ont suscité le plus d'intérêt étaient ceux conçus pour les ingénieurs en simulation, et non pour les ingénieurs en apprentissage automatique : des outils qui s'intègrent aux flux de travail existants sans nécessiter de nouvelles compétences.

Les rapports générés par l'IA sont-ils vraiment performants ? Les professionnels souhaitent vivement confier la production de rapports répétitifs et sujets aux erreurs à des agents, mais ils veulent s'assurer que ces rapports soient fiables et capables de saisir les informations clés qui leur importent, tout en résumant fidèlement les conclusions. Un rapport d'analyse multidisciplinaire, élaboré par un agent et évaluant les compromis entre conception et performance, est considéré comme un excellent point de départ : un gain de temps qui nécessite néanmoins l'expertise d'un spécialiste avant toute décision. Ce point de vue est pertinent, et les ingénieurs de NAFEMS ont constaté que c'est précisément là que réside la véritable valeur ajoutée des agents.

Le même constat est apparu lors des discussions sur les stands : interrogés sur les tâches qu’ils souhaiteraient le plus voir gérées de manière autonome par un agent d’IA, les participants se sont partagés équitablement entre deux priorités : A) la détection des erreurs et leur correction, et B) l’exploration de différentes conceptions afin de recommander les meilleures solutions. Ces deux priorités correspondent directement aux domaines où l’effort et le temps consacrés manuellement sont les plus importants aujourd’hui.

Ce que Rescale a apporté à la conversation

Rescale a présenté deux sessions lors de la conférence, axées sur les flux de travail multi-agents et l'infrastructure de la physique IA. La participation du public a confirmé la pertinence de nos travaux. Les ingénieurs ont été particulièrement attentifs lorsque la discussion est passée des capacités de la plateforme aux résultats concrets des flux de travail : que fait concrètement un agent avec mon solveur ? Comment la physique IA s'intègre-t-elle à mon pipeline existant ? Qu'est-ce qui change et qu'est-ce qui reste identique dans mes flux de travail actuels ?

Lors de la GTC plus tôt cette année, Rescale et McLaren ont démontré Voici à quoi ressemble ce type d'ingénierie axée sur l'IA : des agents exécutant des simulations aérodynamiques multi-étapes, gérant l'orchestration des tâches et affichant les résultats en temps réel. La collaboration avec McLaren a démontré concrètement ce que représente l'ingénierie agentique lorsqu'elle est déployée par des équipes intégrant l'ingénierie pilotée par l'IA à leurs flux de travail de simulation. Rescale rend ce type de déploiement accessible aussi bien aux équipes débutantes en IA agentique qu'à celles recherchant des fonctionnalités avancées.

Redimensionner Lancement de la plateforme prévu pour le printemps 2026 S'appuyant sur cette dynamique, ils ont introduit AI Physics OS comme un cadre de bout en bout pour développer, déployer et gérer des modèles de substitution à grande échelle, répondant directement aux défis liés aux données, aux flux de travail et au calcul soulevés par les praticiens tout au long de la conférence.

Les signes et signaux à venir

Trois tendances se sont dégagées de NAFEMS Americas 2026 et façonneront l'évolution de l'IA en ingénierie au cours de l'année à venir.

L'infrastructure détermine les résultats. Des équipes d'ingénierie dotées de technologies cloud-native et de données de simulation accessibles avec contexteLes entreprises dotées d'une gouvernance bien définie déploient des flux de travail automatisés à un rythme nettement plus rapide que celles qui n'en ont pas. L'écart entre les utilisateurs confirmés et les pionniers se creuse, et ce, en raison de choix fondamentaux, et non plus seulement du choix des outils.

Les données constituent la véritable contrainte de la physique basée sur l'IA. L’objection relative à la « préparation des données » est bien réelle pour la modélisation par approximation, mais les praticiens disposant de programmes matures apprennent à la contourner. Les agents qui permettent d’exploiter les données historiques inexploitées, les équations de base qui compensent les ensembles d’entraînement épars et une meilleure acquisition des données au moment de la simulation sont autant de pistes de recherche actives.

La confiance se gagne au niveau du flux de travail, et non au niveau de la plateforme. Les ingénieurs n'évaluent pas l'IA de manière abstraite. Ils l'évaluent pour une tâche précise : résoudre les problèmes liés aux tâches ayant échoué, générer un rapport de post-traitement ou recommander la prochaine variante de conception. Les fournisseurs qui répondent aux attentes des ingénieurs à ce niveau de précision, avec des démonstrations crédibles, une gouvernance claire et une transparence totale quant aux capacités et aux limites actuelles de l'IA, remporteront la mise.

Le secteur de la simulation évolue rapidement. NAFEMS Americas 2026 a confirmé que l'IA en ingénierie est passée du stade pilote à la production, et que les équipes les plus performantes sont celles qui ont su mettre en place en amont une infrastructure, une gouvernance des données et des processus de travail efficaces. Rescale déploie déjà ces solutions. Si vous êtes prêt à passer de l'expérimentation à la production, Rescale est là pour vous. le plateforme pour vous y amener – entrer en contact avec notre équipe pour commencer.

Pour en savoir plus sur la plateforme de Rescale dédiée à l'ingénierie des agents et à la physique de l'IA, rendez-vous sur : Rescale.com.