Michael JohnsonPeut-on confier à l’IA non pas un dessin isolé, mais un appareil entier — du boîtier et du circuit imprimé au micrologiciel ? Le 3 novembre 2026, OpenAI a décrit une expérience dans laquelle le modèle Astra, associé à GPT‑6, a aidé à concevoir un appareil destiné à communiquer avec Codex. La principale leçon pour les ingénieurs est que l’IA peut relier plusieurs étapes de conception et accélérer les itérations ; le passage du modèle numérique à la fabrication reste toutefois soumis à la vérification des détails de conception et de production.
Dans le projet décrit, le système partait d’exigences fonctionnelles. Astra a ensuite élaboré l’apparence, le boîtier et les structures internes, sélectionné des composants électroniques, conçu le circuit imprimé avec ses composants et ses connexions, puis préparé l’interface, le micrologiciel et les intégrations logicielles. Il s’agit d’un processus de travail intégré : une modification des dimensions du boîtier peut affecter le placement du circuit, tandis que les composants et leurs connexions limitent les options de conception.
Ce qui a changé dans le travail du modèle
Un générateur d’images classique répond à la question « à quoi cela pourrait-il ressembler ? ». Le scénario décrit par OpenAI vise une articulation plus étroite entre plusieurs représentations : les exigences, la géométrie mécanique, le schéma électrique et la partie logicielle sont traités dans le cadre d’une même tâche. Pour les ingénieurs, le passage de l’une à l’autre est essentiel — par exemple, pour s’assurer que le circuit tient physiquement dans le boîtier et que les composants choisis correspondent à la fonction prévue de l’appareil.
OpenAI a indiqué que deux employés avaient créé un appareil de test en moins d’une semaine, dans le cadre d’un projet secondaire, puis qu’un fabricant sous contrat avait produit un petit lot de prototypes en moins d’un mois. Ces délais concernent une expérience interne particulière et le prototype décrit. Ils montrent qu’il est possible de passer rapidement de l’idée à un échantillon physique, mais ne permettent pas, à eux seuls, d’estimer universellement la vitesse de conception d’autres appareils ou équipes.
L’intérêt de cet exemple tient au fait que l’IA n’a pas seulement participé à la préparation d’un livrable isolé. En aidant à coordonner le boîtier, le circuit et le logiciel, le modèle peut permettre aux ingénieurs de repérer plus tôt les interdépendances qui n’apparaissent souvent qu’au moment du transfert entre différents outils et spécialistes. Cette cohérence est particulièrement importante pour les petites équipes, où une seule personne coordonne plusieurs disciplines.
Pourquoi un projet numérique n’est pas encore prêt pour la fabrication
Un modèle peut proposer une conception qui semble cohérente à l’écran sans tenir compte des contraintes réelles de fabrication. Dans cette expérience, OpenAI a précisé qu’Astra ne prenait pas toujours en compte les contraintes du fabricant, les tolérances et les détails nécessaires à l’assemblage. La préparation de l’appareil à la fabrication a donc exigé plusieurs cycles de vérification et de correction.
La cause de cet écart est concrète. La conception numérique définit la forme et la position relative des pièces ; la fabrication ajoute des conditions précises — écarts dimensionnels autorisés, méthodes d’usinage et exigences d’assemblage. Si le boîtier laisse trop peu d’espace ou si la conception ne tient pas compte de la méthode d’installation d’une pièce, le fichier peut être techniquement complet, mais le produit sera difficile, voire impossible à fabriquer selon le procédé prévu.
Il en découle une répartition pratique des responsabilités : le modèle aide à préparer et à harmoniser les options, tandis que les spécialistes vérifient leur compatibilité avec les équipements, les matériaux et les procédés du fabricant. Pour une équipe, cela signifie qu’il faut évaluer le résultat non pas à l’aune de l’attrait du modèle 3D, mais en fonction du nombre de contrôles et de corrections techniques importants qui restent à effectuer avant la production d’un échantillon fonctionnel.
Les domaines où les applications sont déjà concrètes
Les équipes matérielles d’OpenAI utilisent Codex et ChatGPT pour créer et modifier des modèles de CAO, préparer des plans de fabrication, configurer des simulations et analyser des conceptions. L’entreprise a indiqué que, depuis février, l’utilisation des modèles par ses équipes matérielles, mesurée en jetons, avait été multipliée par 23. Cet indicateur reflète la consommation des modèles au sein de ces équipes, et non une réduction des délais ou des coûts de conception.
Dans le cadre d’une collaboration avec Chip Ganassi Racing, l’équipe étudie comment passer de scans tridimensionnels de pièces existantes à des modèles de CAO modifiables et à des plans de fabrication. Cette approche est précieuse lorsque les fichiers de conception d’origine sont absents : le scan sert de base à la reconstitution de la géométrie, tandis que les ingénieurs du partenaire vérifient la précision des plans et leur aptitude à la fabrication.
Dans le cadre de travaux menés avec Mazda, les modèles sont appliqués à la conception automobile : ils servent à explorer la forme de l’avant du véhicule, à simuler les flux d’air et à comparer des options en tenant compte des performances, du design et du coût. OpenAI présente cette démarche comme une collaboration de recherche dont l’entreprise prévoit de communiquer les résultats ultérieurement. L’objectif est d’explorer davantage de formes et de relier plus rapidement les simulations aérodynamiques aux décisions de conception ; les informations publiées ne fournissent pas encore de mesures d’amélioration pour un véhicule fini.
Comment évaluer ces systèmes au sein d’une équipe d’ingénierie
OpenAI cite BenchCAD 2.0 parmi les évaluations de modèles portant sur des tâches qui combinent programmation et connaissances techniques. Le test évalue la reconstruction de pièces et d’assemblages en trois dimensions, ainsi que la reconnaissance des connexions sur les circuits imprimés. Dans cette évaluation, un nouveau modèle interne a obtenu un score moyen de 0,875, contre 0,594 pour GPT‑6 Astra en mode de raisonnement maximal.
Pour faire un choix pratique, ce résultat constitue un indicateur de progrès sur une catégorie précise de tâches : la création de géométrie et la reconnaissance des connexions. Il ne mesure pas l’ensemble du cycle de développement, qui comprend la sélection des matériaux, les essais thermiques et mécaniques, la certification et la validation de la fabricabilité. Une équipe a donc intérêt à tester le modèle sur ses propres tâches courantes et à noter quels fichiers de sortie sont effectivement acceptés par les outils d’ingénierie et lesquels nécessitent encore une reprise manuelle.
Un projet pilote peut porter sur une seule étape récurrente : par exemple, la conversion de scans de pièces en CAO, la préparation de plans ou la création d’une configuration initiale de simulation. Pour chaque tâche, il faut définir à l’avance les critères d’acceptation, désigner un ingénieur chargé de vérifier la géométrie et les contraintes, et consigner les corrections nécessaires avant le transfert au fabricant. L’équipe verra ainsi où le modèle réduit les tâches routinières et où ses propositions entraînent des cycles de vérification supplémentaires.
Le point décisif : la frontière entre conception et vérification
Le projet d’OpenAI montre que l’IA peut être appliquée à des étapes liées de la conception physique, et pas seulement au texte, au code ou à une image isolée. Elle est utile lorsqu’elle aide à harmoniser rapidement les exigences et les options entre mécanique, électronique et logiciel. Mais la fabricabilité reste une tâche d’ingénierie distincte, déterminée par les tolérances, l’assemblage et les capacités d’un procédé donné.
Pour les concepteurs de produits matériels, le cap est clair : il vaut mieux commencer l’évaluation par une étape circonscrite et vérifiable et mesurer non pas le nombre de modèles générés, mais le volume de corrections manuelles nécessaires avant validation technique. Cette approche permet de tirer parti de la génération rapide d’options tout en gardant le contrôle au moment où le projet numérique devient un produit physique.
