MIT Technology Review : 90 % des entreprises d’ingénierie vont accroître leurs investissements dans l’AI, mais sans se précipiter

L'IA affecte de plus en plus non seulement les logiciels, mais aussi les choses qui fonctionnent dans le monde physique : les automobiles, les électroménagers et les dispositifs médicaux. Une étude menée par MIT Technology Review Insights et L&T Technology Services montre que les ingénieurs sont prêts à étendre l'application de l'IA, mais non par logique de battage publicitaire, plutôt par logique de risque, de vérification et de résultats mesurables.

Pourquoi Le Coût De L'Erreur Est Élevé

En ingénierie produit, une erreur de modèle coûte différemment qu'un service numérique. Si une mauvaise réponse d'un chatbot peut être corrigée par une mise à jour, un défaut de conception, un système intégré ou une solution de production peut entraîner des rappels de produits, des accidents ou des problèmes de conformité. C'est pourquoi les équipes qui implémentent l'IA dans la conception et la fabrication de produits physiques ne sont pas prêtes à faire confiance aux modèles génériques tels qu'ils sont.

Elles construisent des processus avec différents niveaux de confiance, une vérification obligatoire et une responsabilité humaine clairement définie. Les auteurs de l'étude soulignent : ici, ce qui compte ce n'est pas la magie de la démonstration, mais le first-time-right — la capacité d'obtenir un résultat correct dès la première fois ou au plus près. Pour les entreprises qui fabriquent des machines, de l'électronique ou des dispositifs médicaux, cette métrique est plus importante que les promesses bruyantes de transformation.

C'est pourquoi la mise en œuvre de l'IA se fait par couches : d'abord dans les domaines où l'effet peut être vérifié, puis — plus profondément dans le cycle de vie du produit. C'est exactement comment les entreprises réduisent le risque d'erreurs coûteuses et accumulent la confiance dans les nouveaux outils.

"Là où le résultat de l'IA affecte un système physique et ne peut pas

être annulé, la fiabilité et la mesurabilité sont prioritaires."

Où Vont Les Budgets

L'étude a couvert 300 cadres responsables de l'ingénierie produit, du développement et de la technologie aux États-Unis. Tous représentent des entreprises ayant un chiffre d'affaires de 500 millions de dollars et plus dans 16 secteurs, et des entretiens ont complété les avis des cadres supérieurs et des experts du secteur. Neuf répondants sur dix prévoient d'augmenter les investissements en IA au cours des un à deux prochaines années, mais ne prévoient pas de grand bond. 45% s'attendent à une augmentation maximale des dépenses de 25%, environ un tiers — de 26–50%, et seulement 15% sont prêts à augmenter immédiatement le budget de 51–100%.

Les priorités sont aussi pragmatiques : ce ne sont pas les assistants intelligents en soi qui mènent, mais les outils qui sont plus faciles à vérifier, protéger face aux régulateurs et lier au ROI. Au premier plan se trouvent l'analyse, les simulations et la validation — des domaines où les ingénieurs disposent de retours clairs et de données historiques. Ces tâches sont plus faciles à auditer, à aligner et à défendre auprès de l'entreprise.

L'étude met en évidence plusieurs directions autour desquelles la demande actuelle est construite :

• L'analyse prédictive pour la détection précoce des défauts et des points faibles
• Les simulations et la validation par IA avant le lancement en production
• La vérification multi-niveaux des modèles et résultats
• Les outils spécialisés et auditables au lieu des systèmes génériques

Ce Qui Change Dans Les Équipes

Une conclusion distincte concerne les personnes. 73% des cadres s'attendent à ce que l'IA assume le travail routinier d'ingénierie. Cela ne signifie pas que les spécialistes deviennent moins importants ; le centre de gravité lui-même change.

Au sein des entreprises, la valeur se déplace de l'exécution manuelle d'opérations répétitives aux décisions architecturales, à la pensée systémique et à l'évaluation stratégique des compromis. Plus le travail opérationnel va aux outils, plus les personnes qui comprennent les limites du modèle et sont responsables du choix final deviennent importantes. Parallèlement, le rôle des partenaires externes et des fournisseurs spécialisés s'accroît.

Si une partie de l'exécution va aux écosystèmes tiers, alors la propriété de la logique clé, des données et des règles de prise de décision devient une question de contrôle.

Les auteurs notent aussi un autre changement : les entreprises mesurent le succès non seulement par la vitesse de mise sur marché d'un produit. Plus haut dans la liste des objectifs figurent la qualité du produit et la résilience — des métriques que les clients, les investisseurs et les régulateurs voient. Tandis que la réduction des coûts et la satisfaction de l'équipe descendent dans les priorités.

Ce Que Cela Signifie

Pour le marché, c'est un signal : l'IA en ingénierie du monde physique arrive non par des démos spectaculaires, mais par des scénarios étroits et vérifiables avec un ROI clair. Les gagnants ne seront pas ceux qui promettent la révolution le plus fort, mais ceux qui intègrent le plus rapidement l'IA dans les simulations, le contrôle qualité et la prise de décision en ingénierie sans perdre de confiance, de sécurité et de responsabilité. Ce modèle prudent semble devenir le principal modèle de déploiement dans les années à venir.