OpenAI dévoile un modèle pour la CAO : 87,5 % sur BenchCAD 2.0 contre 59,4 % pour GPT-6 Astra

Si vous avez déjà demandé à un modèle de langage de router une carte électronique, vous savez comment cela se termine généralement : le schéma paraît propre, mais à la première mise sous tension, ça sent le brûlé. OpenAI affirme avoir trouvé comment y remédier. Pour l'instant, il s'agit uniquement d'affirmations de l'entreprise, mais les chiffres sont intéressants.

Ce qui a été présenté

OpenAI a révélé les premiers détails d'un modèle non annoncé, spécialisé dans les tâches d'ingénierie et de matériel. Il a été évalué sur BenchCAD 2.0. Ce benchmark mesure la capacité d'une IA à recréer des pièces 3D à partir de plans, à assembler des ensembles mécaniques et à router des circuits électriques.

Résultat de la nouveauté : 0,875 point, soit 87,5 %. Le modèle phare GPT-6 Astra, au niveau de raisonnement maximal, obtient 59,4 %. L'écart est de près de 28 points de pourcentage. Pour comparer des modèles généralistes et des spécialistes pointus, la différence est très marquée.

Pourquoi un court-circuit entre rails n'est pas un détail

L'exemple tiré de l'annonce elle-même est particulièrement parlant. Le modèle précédent commettait des erreurs critiques : par exemple, il fusionnait les lignes 3,3 V, 5 V et la masse en un seul réseau.

Pour un programmeur, l'analogie est simple. Imaginez qu'un assistant fusionne dans un même commit les configurations de production et de test, tout en supprimant la séparation des droits. Le code compile, la revue paraît correcte, et le problème n'apparaît qu'en production. Côté matériel, le prix est plus élevé : l'erreur signifie des puces grillées et des semaines perdues, et non un simple retour en arrière sur un commit.

C'est pourquoi, en CAO et en électronique, ce n'est pas l'aisance qui compte, mais la vérifiabilité stricte : chaque réseau à sa place, chaque cote cohérente. C'est précisément la cible du nouveau modèle.

L'expérience et les partenaires

Dans une expérience interne, les ingénieurs d'OpenAI ont conçu en une semaine un appareil physique pour l'interaction vocale avec Codex. L'IA a calculé le boîtier et la structure interne, conçu la carte et écrit le logiciel. Ensuite, la finition manuelle et la production du premier lot de prototypes ont pris environ un mois.

Cette proportion en dit long. La conception s'est réduite à une semaine, mais il a ensuite fallu un humain, un fer à souder et une production. L'IA accélère le début du cycle, elle ne l'abolit pas.

Par ailleurs, OpenAI teste des solutions de CAO générative hors du laboratoire :

• avec l'écurie de course Chip Ganassi Racing, l'IA transforme des scans 3D de pièces en plans modifiables ;
• avec Mazda, le modèle optimise l'aérodynamique des voitures grâce à la simulation des écoulements d'air.

Ces deux tâches sont très concrètes : reconstituer un plan à partir d'une pièce physique et passer au crible des variantes de forme par simulation. C'est ce que les ingénieurs font habituellement longuement et à la main.

Limites

Commençons par ce que nous ignorons. Le nom du modèle et la date de sortie restent secrets. L'API, les tarifs et l'accès n'ont pas été annoncés. Les chiffres de BenchCAD 2.0 sont pour l'instant fournis par l'entreprise elle-même, sans vérification indépendante. On ignore aussi dans quelle mesure le benchmark reflète des projets réels aux contraintes complexes : certification, approvisionnement en composants, industrialisation.

Un mois de finition manuelle après une semaine de conception par l'IA doit aussi être lu avec lucidité. C'est un succès, mais pas un « j'appuie sur le bouton et j'obtiens un produit ».

Que faire de tout cela

Pour les fondateurs de startups matérielles, la conclusion est simple : surveillez la sortie et préparez des processus où le brouillon de l'IA passe un contrôle rigoureux. Les règles électriques (DRC/ERC), la simulation et la revue par un ingénieur ne disparaissent pas, elles deviennent le filtre principal.

Pour les product managers et les développeurs d'outils connexes, le signal est plus important : les grands laboratoires passent du texte et du code au monde physique. Si vous développez des plugins de CAO, des bibliothèques de composants ou des systèmes de vérification de schémas, ce marché vient de gagner un acteur de très grande taille. Mieux vaut décider dès maintenant en quoi vous serez plus fort qu'un modèle universel : les données, les vérifications ou l'intégration dans le flux de travail.