OpenAI accélère la conception d’appareils : un prototype assemblé en moins d’un mois

Un ingénieur reçoit le scan 3D d’une pièce, mais ne dispose pas du modèle CAO d’origine. Habituellement, un travail manuel commence alors : reconstruire la géométrie, établir le plan, vérifier les dimensions et préparer le modèle pour la production. OpenAI affirme que Codex et GPT-6 Astra peuvent déjà prendre en charge une part importante de cette chaîne, de la création de modèles CAO et de circuits imprimés jusqu’au paramétrage des simulations et à la détection des divergences entre les documents.

L’intérêt pratique ne réside pas dans la formule séduisante « l’IA conçoit du matériel ». Il tient à la réduction du délai entre l’idée et le premier prototype physique. Dans une expérience d’OpenAI, deux employés ont conçu en moins d’une semaine, comme projet annexe, un appareil permettant d’interagir avec Codex. Astra les a aidés à définir son apparence, à concevoir le boîtier et les fixations internes, à sélectionner les composants électroniques, à router le circuit imprimé, à créer l’interface et à écrire le firmware. Un fabricant sous contrat a produit un petit lot de prototypes en moins d’un mois.

À quoi cela ressemble dans le travail réel

Imaginons une équipe qui fabrique un contrôleur de bureau. L’ingénieur indique les dimensions, la liste des composants, l’emplacement des connecteurs et les exigences de refroidissement. Le modèle crée un premier boîtier, positionne la carte et les fixations, prépare les plans, puis modifie les éléments associés après un commentaire : il peut, par exemple, déplacer un port et dégager de la place pour un câble.

Auparavant, chacune de ces modifications pouvait imposer des retouches dans plusieurs outils. Un scénario agentique tente de préserver les liens entre la mécanique, l’électronique et le logiciel. Il est particulièrement utile lorsque les opérations répétitives sont nombreuses : convertir un modèle 3D en un jeu de plans 2D, paramétrer une simulation standard, comparer des spécifications ou consigner les conflits détectés dans un projet BIM.

OpenAI indique que, depuis février, la consommation de jetons par ses équipes chargées du matériel a été multipliée par 23. Cela révèle une demande interne, mais ne prouve pas un gain de temps ou d’argent : la publication ne fournit aucune comparaison contrôlée des délais, des coûts et du nombre d’erreurs avant et après le déploiement.

Là où le modèle commet encore des erreurs

Le prototype a dû être revu à plusieurs reprises. Astra ne tenait pas toujours compte des contraintes du fabricant concerné, des tolérances des pièces et des informations nécessaires à l’assemblage. Autrement dit, le modèle pouvait produire une conception géométriquement convaincante qu’il était encore impossible d’envoyer vers une machine-outil ou une ligne de production sans vérification.

Cette limite est importante. Une erreur dans une interface web se corrige généralement avec une mise à jour. Une erreur sur un circuit imprimé, un boîtier ou un élément porteur entraîne la perte d’un lot, un retard de livraison et parfois un risque pour la sécurité. L’ingénieur reste donc responsable de la vérification des matériaux, des charges, des jeux, de la fabricabilité et de la conformité aux normes.

Dans le test BenchCAD 2.0, le nouveau modèle interne d’OpenAI a obtenu 87,5 %, tandis que GPT-6 Astra, avec le niveau de raisonnement maximal, a atteint 59,4 %. Le test évalue la reconstruction de pièces et d’assemblages tridimensionnels ainsi que la reconnaissance des connexions sur les circuits imprimés. L’écart est notable, mais les résultats du modèle interne et du test lui-même doivent encore être considérés comme des données fournies par le développeur, et non comme une validation indépendante de l’aptitude à un usage industriel.

Ce que les équipes peuvent faire dès maintenant

Il ne faut pas commencer par promettre « d’automatiser tout le service ». Choisissez une opération mesurable : préparation des plans, reconstruction d’un modèle CAO à partir d’un scan, paramétrage d’une simulation ou recherche d’incohérences entre un modèle et une spécification. Relevez le temps initial, le nombre de retours et le coût des corrections, puis comparez-les avec ceux du processus assisté par le modèle.

Tous les résultats de l’agent doivent faire l’objet d’une validation d’ingénierie avant la fabrication. Il est également utile de transmettre au modèle les règles propres à la production concernée : épaisseurs minimales, matériaux disponibles, tolérances, limites des équipements et exigences d’assemblage. Plus ce cadre est précis, plus le risque d’obtenir une conception spectaculaire mais impossible à fabriquer diminue.

Conclusion principale : l’IA devient déjà une couche de travail au-dessus des outils CAO, ECAD, BIM et des simulateurs. Elle accélère la préparation des variantes et les conversions routinières, mais la décision de lancer la fabrication d’un produit physique doit, pour l’instant, rester entre les mains de l’ingénieur, responsable non pas d’une image convaincante, mais d’une pièce qui sort réellement de la chaîne de production.