Dassault Systèmes dévoile ses compagnons IA avec Nvidia : un bond de x10 en productivité industrielle dès 2026

Dassault Systèmes vient de dégainer à Houston, pendant 3DExperience World: une plateforme “agentique” bâtie avec Nvidia, pensée pour coller des compagnons IA directement dans les outils des ingénieurs. Pas un chatbot posé à côté, mais des assistants qui vivent dans la CAO, la simu, le PLM, jusqu’à la prod. Et la promesse est brutale: productivité multipliée par dix.

Dassault Systèmes et Nvidia sortent une IA agentique pour ingénieurs, avec la promesse du x10

Le truc, c’est que derrière le slogan, il y a un chantier industriel assez lourd: jumeaux virtuels, “World Models” validés scientifiquement, infrastructure IA sur plusieurs continents via OUTSCALE, et des modèles ouverts Nvidia Nemotron pour alimenter les assistants. Sur le papier, ça peut accélérer la conception, la validation, la certif. Dans la vraie vie, ça va surtout obliger les boîtes à revoir leurs méthodes, leurs données, et la formation des équipes.

À Houston, Pascal Daloz vend du x10 et des “compagnons IA”

Sur scène à 3DExperience World 2026, Pascal Daloz pose l’ambition sans détour: trois compagnons IA doivent arriver dès cette année, et ils doivent couvrir tout le portefeuille 3DEXPERIENCE. Tu passes de la conception assistée par ordinateur à la simulation, puis à la gestion du cycle de vie produit, et tu finis côté production. L’idée n’est pas de te donner une astuce de plus, mais de te faire gagner des heures entières sur des tâches répétitives.

Dans la bouche de Dassault Systèmes, “x10” ne veut pas seulement dire “faire la même chose plus vite”. Daloz insiste aussi sur le fait que ça doit ouvrir des possibilités nouvelles: tester plus de variantes, explorer des concepts qu’on n’aurait pas osé faute de temps, pousser plus loin l’optimisation. Du coup, la productivité se mesure aussi au nombre d’itérations qu’une équipe peut encaisser sans exploser le planning.

Mais il met un garde-fou intéressant, et ça mérite d’être entendu: la physique et les fondamentaux restent essentiels. Traduction terrain: si tu ne comprends pas ton modèle, ton matériau, ton hypothèse de charge, l’IA va juste t’aider à aller plus vite… dans la mauvaise direction. Construire des produits qui résistent au monde réel, ça reste un état d’esprit, et ce n’est pas un assistant virtuel qui va signer la responsabilité à ta place.

Sur le terrain, ce genre d’annonce parle d’abord aux équipes qui vivent avec des goulots d’étranglement: préparation de modèles de simulation, mise en cohérence de données entre métiers, rédaction de dossiers de justification, recherche d’historique sur un composant. Un ingénieur que j’ai eu au téléphone dans l’aéronautique – il préfère rester anonyme, tu m’étonnes – me disait: “Si un compagnon me retrouve en 30 secondes la bonne exigence et le bon cas de charge, je prends. Si c’est juste un résumé flou, je n’ai pas le temps.”

3DEXPERIENCE agentique: l’IA collée à la CAO, la simu et le PLM

Quand Dassault Systèmes parle de “plateforme agentique 3DEXPERIENCE”, il faut imaginer des agents capables d’agir dans ton contexte métier, pas juste de répondre. Ils vont chercher des infos, comprendre ce que tu fais dans un assemblage, proposer une démarche de validation, et te guider dans des workflows. Le pari, c’est l’intégration profonde: l’IA n’est pas un onglet à part, elle s’insère dans les étapes où tu perds du temps.

Le cur de l’approche, ce sont des “compagnons virtuels experts”. Le mot “expert” est important, parce que Dassault Systèmes vend l’idée d’une IA qui s’appuie sur un contexte industriel riche: contraintes, exigences, nomenclatures, historiques de modifications, règles internes. On est loin du modèle public qui hallucine sur un matériau ou qui confond deux normes. Dans l’industrie, une erreur n’est pas un simple bug, c’est un rappel produit ou une non-conformité.

Pour rendre ça possible, l’IA doit comprendre des objets d’ingénierie: géométries, maillages, paramètres, exigences, versions, liens entre pièces et documents. Là où un assistant généraliste voit du texte, l’ingénieur voit un graphe de dépendances. Et c’est souvent ce graphe qui te tue: tu changes une cote, ça impacte une pièce, puis une tolérance, puis un process de fabrication, puis un contrôle qualité. Si un agent peut cartographier ça et te prévenir proprement, tu viens de gagner une journée.

La nuance, c’est que l’intégration “partout” peut vite devenir intrusive. Si l’assistant te coupe toutes les deux minutes avec des suggestions, tu le désactives, point. Et si l’agent se trompe sur un contexte – mauvaise version de la pièce, mauvaise configuration produit – tu perds confiance. La réussite ne se jouera pas sur une démo, mais sur la qualité des garde-fous: traçabilité de ce que l’IA a utilisé, explication des hypothèses, et possibilité de dire “non” sans casser le flux.

Nvidia Nemotron et Omniverse: la brique IA et la brique simulation

Le partenariat met Nvidia au centre, pas juste comme fournisseur de GPU. Dassault Systèmes parle d’une combinaison entre ses jumeaux virtuels et l’infrastructure IA de Nvidia, avec des modèles ouverts Nvidia Nemotron et des bibliothèques logicielles accélérées. L’objectif affiché: construire des “Industry World Models” validés scientifiquement. En clair, des modèles capables de raisonner sur un monde industriel, mais avec des bases physiques et des données qui tiennent la route.

Le lien avec Omniverse est clé côté production. Nvidia pousse depuis un moment l’idée d’usines simulées, de flux, de robots, de logistique, où tu peux tester des scénarios avant de toucher au réel. Là, Dassault Systèmes met en avant l’intégration des bibliothèques physiques d’Omniverse avec DELMIA, son jumeau virtuel des systèmes de production. La promesse est simple à comprendre: prédire plus vite et plus précisément les résultats d’un changement, sans attendre l’arrêt de ligne.

Concrètement, imagine une usine qui veut modifier l’implantation d’une cellule robotisée. Aujourd’hui, tu fais des plans, tu simules un peu, tu fais venir des intégrateurs, tu croises les doigts. Avec une simulation plus fine, tu peux tester des dizaines de variantes: trajectoires, collisions, temps de cycle, goulots, consommation énergétique. Et si un compagnon IA te propose automatiquement trois configurations “propres” selon tes contraintes, tu réduis la phase d’exploration, celle qui coûte cher en réunions et en reprises.

Mais attention à l’effet vitrine: une simulation, ça n’est pas la réalité. Si ton modèle du monde est incomplet, tu optimises un fantôme. Les industriels le savent depuis longtemps: garbage in, garbage out. Les “World Models” validés scientifiquement, c’est une façon de dire “on met de la rigueur”, mais ça suppose des données fiables, des hypothèses documentées, et des boucles de validation. Sans ça, l’IA risque de produire des recommandations très convaincantes… et très dangereuses.

OUTSCALE et les “usines à IA”: souveraineté, IP, et négos d’infra

Dassault Systèmes ne se contente pas d’annoncer des assistants: il annonce aussi le tuyau. Via sa marque OUTSCALE, le groupe parle de déployer des “usines à IA” dans une stratégie cloud durable et souveraine. Elles doivent exploiter la dernière infrastructure IA de Nvidia sur trois continents. L’argument est limpide: tu veux de la puissance de calcul pour entraîner et opérer des modèles, mais tu ne veux pas sacrifier la confidentialité, la propriété intellectuelle, ni la souveraineté des données.

Dans l’industrie, c’est souvent là que tout se bloque. Les plans, les paramètres, les procédés, les données de production: c’est le coffre-fort. Si tu es dans la défense, l’aéro, l’énergie, tu as des contraintes réglementaires et contractuelles qui rendent le “cloud par défaut” compliqué. OUTSCALE sert de réponse: une voie “souveraine” dans le discours, avec l’idée de garder la main sur où tournent les modèles et qui accède à quoi.

Sauf que même avec ça, les négociations d’infrastructure sont encore en cours, et ce détail compte. Parce que la plateforme agentique, c’est un monstre en besoins: GPU, stockage, bande passante, gouvernance. Et chaque grand compte va arriver avec ses exigences: chiffrement, segmentation réseau, auditabilité, réversibilité, localisation. Un DSI que j’ai croisé sur un salon me disait – mot pour mot -: “L’IA, je veux bien. Mais je veux surtout savoir qui voit mes données et comment je reviens en arrière si ça dérape.”

Il y a aussi la question du coût. Les GPU de pointe, ça se paie, et l’industrialisation d’une IA ne ressemble pas à un POC de trois mois. Si tu promets “x10”, le client va demander un ROI net, pas une belle histoire. Donc on peut s’attendre à des modèles économiques au cas d’usage: assistance à la conception, accélération de simulation, optimisation d’atelier. Et là, la bataille va se jouer sur la facturation, la transparence, et la capacité à prouver des gains sans tricher sur les métriques.

Siemens, certification aéronautique, et la question qui fâche: qui signe?

Dassault Systèmes n’est pas seul sur le sujet. Siemens, concurrent direct, a aussi renforcé son partenariat avec Nvidia récemment, annoncé au CES de Las Vegas. Ce qui change ici, c’est le niveau d’ambition revendiqué par Dassault Systèmes: une plateforme agentique dédiée, intégrée au cur des outils. La compétition va se jouer sur la profondeur métier: qui comprend le mieux les contraintes industrielles réelles, pas juste l’interface.

L’exemple le plus parlant vient de l’aéronautique, où la certification te mange des mois. Le National Institute for Aviation Research (NIAR) explique que les jumeaux virtuels apportent des capacités et une efficacité inédites, de la numérisation des actifs à la conception, la fabrication et la validation. Leur point clé: des compagnons virtuels qui accélèrent la création de jumeaux virtuels “conformes dès l’origine”, et qui réduisent les efforts de certification tout en préservant la souveraineté de l’information.

Sur le papier, c’est énorme. Si tu peux aligner plus tôt ton jumeau virtuel avec les “means of compliance”, tu évites de découvrir à la fin que tu as oublié une exigence, ou que ton dossier de justification est bancal. Mais la question qui fâche arrive vite: qui signe la conformité? L’ingénieur, le responsable de bureau d’études, l’organisme de certification. L’IA peut aider, proposer, vérifier, mais la responsabilité reste humaine. Et ça va forcer les entreprises à écrire des règles internes très claires.

Dernier point, et il est social autant que technique: la formation. Daloz le dit clairement, la façon de former les ingénieurs va changer. Si l’IA prend en charge une partie du “comment”, il faut renforcer le “pourquoi”. Sinon, tu fabriques des opérateurs de prompts qui ne savent pas détecter une hypothèse foireuse. Perso, je vois venir un nouveau clivage: ceux qui comprennent la physique et savent piloter l’IA, et ceux qui la subissent. Et dans une industrie où l’erreur coûte cher, ce clivage ne pardonne pas.