IA agentique dans l’automobile : des pilotes freinés par une gouvernance immature (étude)

Un secteur emballé par l’IA agentique…

Résultat, 68 % des sondés affirment que leurs entreprises ont au moins lancé un pilote d’IA agentique. Ce chiffre à lui seul masque des disparités flagrantes. Seulement 8 % de ceux qui observent des projets en cours rapportent que leur entreprise en fait un usage intensif, tandis que 25 % mentionnent une utilisation limitée à quelques domaines. 

L’IA générative est un peu plus répandue. 26 % des sondés évoquent un usage intensif, 34 % d’entre eux soulignent des déploiements circonstanciés et 23 % des dirigeants annoncent des pilotes. Le rythme d’adoption est toutefois plus élevé que dans le domaine de l’aérospatiale et la défense, souligne Capgemini Research.

Chez ceux qui utilisent l’IA agentique, les usages fréquents se retrouvent dans le développement logiciel (36 %), les tâches « non-cœur métier » – dont la documentation, la génération de rapports et la recherche d’information (26 %) – et l’ingénierie électrique (22 %).

Les attentes sont fortes, comme l’avait déjà remarqué LeMagIT chez Valeo. La très grande majorité des sondés espèrent que l’usage de l’IA agentique dans ces domaines sera multiplié par deux dans un horizon de deux à trois ans. 83 % d’entre eux anticipent que l’IA agentique permettra aux ingénieurs de consacrer davantage de temps à leur cœur métier. 71 % souhaitent une accélération de la prise de décision et 60 % croient même que l’IA agentique permettra d’obtenir une meilleure coordination entre les systèmes matériels et logiciels.

… Mais très peu de constructeurs en tirent un gain substantiel

Ils sont toutefois peu nombreux à réellement tirer actuellement profit de l’IA agentique. Parmi les 400 dirigeants de fabricants automobiles interrogés, 38 d’entre eux rapportent des gains mesurables de plus de 5 % dans cinq domaines. L’étude s’intéresse à la productivité FTE (fonctionnalités livrées, défauts résolus), à l’accélération des tests, des cycles de développement, l’amélioration de qualité de la conception/ingénierie, et la réduction des délais de mise sur le marché.

« Les entreprises qui tirent le plus de valeur de l’IA indiquent qu’elle leur permet d’accélérer leurs cycles de développement de 17 %, de gagner 19 % en productivité et de réduire leurs délais de mise sur le marché de 19 % », note l’institut de recherche de Capgemini.

Pour ces entreprises avancées, le gain moyen atteint au moins 15 % dans l’ensemble de ces domaines.

Ce petit nombre de constructeurs en avance est principalement situé en Allemagne et en Inde. Les constructeurs américains, chinois et britanniques ne sont pas en reste. A contrario, les 57 dirigeants des assembleurs qui tirent le moins de valeur de l’IA agentique, surreprésentés en France et en Chine (des constructeurs « historiques » côtoient de nouveaux venus aux outils et plateformes plus modernes), rapportent des gains pour chacun de ces domaines de moins de 7 %.

Renault ne semble pas faire partie de cette catégorie selon les propos reproduits dans le rapport. Ces dirigeants constatent « des gains de productivité significatifs dans l’ensemble des activités d’ingénierie » en partie grâce à « des solutions IA ». Le constructeur français s’est inspiré des méthodes des acteurs de l’électrique chinois pour boucler le développement d’une voiture en trois ans, puis en deux avec la Twingo nouvelle génération.

L’ampleur des déploiements de l’IA agentique chez ces deux populations semble toutefois peu ou prou identique.

Les constructeurs en avance de phase « sont deux fois plus susceptibles de disposer d’une analyse de rentabilité et d’un modèle coût-valeur pour l’IA agentique (66 % contre 32 %) », lit-on dans le rapport. Ils sont « plus pointilleux sur le contrôle de la qualité des données critiques pour le cycle de vie (82 % contre 54 %), l’alignement des incitations sur l’adoption de l’IA (53 % contre 35 %) », écrivent les auteurs. Ils sont « beaucoup moins enclins à signaler que les ingénieurs sont surchargés de tâches non essentielles (50 % contre 77 %) ».

Une gouvernance IA à consolider

Dans un même temps, 69 % des sondés soulignent que leur entreprise restreint les données et les systèmes accessibles par les agents IA. Environ 68 % des répondants considèrent que l’IA doit attendre une validation humaine pour une décision « à fort impact ».

Or 41 % d’entre eux notent que leur employeur peut tracer les données, les prompts et le raisonnement derrière un résultat et seulement 22 % se basent sur l’impact plutôt que sur le score de confiance d’un modèle pour prendre une décision.

En revanche, si 59 % des dirigeants font confiance à l’IA agentique dans les phases de R&D, ils ne sont plus que 40 % lorsqu’il est question de l’utiliser dans les activités de développement.

Signe de cette méfiance, les constructeurs sont peu nombreux à utiliser les agents IA dans la constitution des dossiers les plus critiques.

« La traçabilité des exigences – tâche sur laquelle repose un dossier de sécurité ISO 26262 – est le domaine où l’IA agentique est le moins utilisée aujourd’hui : 11 % des organisations utilisant l’IA, contre 51 % pour la documentation », remarque Capgemini Research.

Chez Aptiv, Siemens et Capgemini Engineering, une branche de l’ESN en prise avec le secteur de l’automobile, les dirigeants prônent une plus grande transparence des résultats générés et la mise en place de contrôle strict.

Reste que seulement 5 % des constructeurs et des fournisseurs de rang 1 assurent avoir déployé une gouvernance pleinement mature de l’IA. Environ 38 % déclarent qu’elle est avancée « ou mieux ». Dans un même temps, 45 % des constructeurs automobiles n’ont pas de stratégie IA transversale.

Capgemini prône la mise en place d’un plan de contrôle agentique

Pour gagner en efficacité, Capgemini Research recommande de concentrer les efforts sur six dimensions en parallèle. Les gains de l’ingénieur individuel, l’amélioration de la relation avec les fournisseurs, l’optimisation ou la refonte de processus d’ingénierie, l’adaptation du modèle opérationnel, les évolutions du modèle économique et la participation de la structuration de l’écosystème.

Il convient également d’établir un plan de contrôle agentique permettant de classer les tâches par criticité et niveau d’autonomie. Il trace le contexte et les décisions faites par l’agent, séparer les systèmes qui délivrent des solutions ou des contenus de ceux qui les vérifient. Le cabinet recommande aux membres de secteurs de s’appuyer sur l’impact d’une décision plutôt que sur le score de confiance d’un algorithme, tandis que les flux de travail IA doivent évoluer en cas d’échec. Et ces évolutions doivent être renseignées.

Cela veut aussi dire que les données liées à l’ingénierie doivent être correctement documentées afin que les grands modèles de langage puissent les interpréter. Les humains eux-mêmes doivent s’entendre sur un langage commun. Les définitions des fonctions du véhicule doivent être partagées, tout comme les valeurs techniques attendues. Cela implique de standardiser la documentation et d’appliquer des règles automatiques de validation au regard des normes en vigueur avant même qu’un agent puisse accéder à la documentation de conception. Cela devrait aussi favoriser les échanges avec les fournisseurs.

Cela exige aussi une meilleure exploitation des données issues des véhicules en circulation. Environ 81 % des constructeurs collectent des données de télémétrie et 72 % des signaux liés aux mises à jour OTA. Or 36 % s’en servent pour mettre à jour les fonctionnalités du véhicule, contre 84 % pour les mises à jour de sécurité. La majorité des dirigeants (64 %) estiment que ces données servent principalement à concevoir la prochaine génération de véhicules.

De son côté, Capgemini Research juge que, pour gagner en compétitivité, les entreprises du secteur doivent se concentrer sur trois indicateurs clés : le délai entre la collecte d’informations du client ou du véhicule et une décision d’ingénierie, la latence entre la décision et la disponibilité de la fonctionnalité ou d’un correctif, ainsi que le temps nécessaire entre sa disponibilité et un résultat (satisfaction du client, gain financier, gain opérationnel, etc.).

Il conviendrait dès lors de définir quels types de mises à jour seront déployés à distance sur les véhicules en circulation. Il faut donc prévoir en amont les processus de validation requis pour chaque catégorie de fonctionnalités (en priorité le divertissement et les fonctions non critiques).

Le chemin de déploiement doit s’appuyer sur une ligne logicielle unique, testée d’abord sur un nombre restreint de véhicules, avec une procédure de « rollback » éprouvée et une traçabilité du logiciel conforme aux exigences réglementaires.

Les données et avis en provenance du terrain doivent influer sur le développement de la flotte actuelle, considèrent les experts de l’ESN. Sans le nommer, Capgemini Research renvoie aux pratiques qui ont fait le succès de Tesla. Cela réclame idéalement d’automatiser le pipeline de retour d’information depuis les données du véhicule jusqu’à la validation et au déploiement. Ce traitement de données réclame en revanche de désigner un responsable qui participe également à l’élaboration du rythme de mise à jour.

Enfin, un découplage des cycles matériel et logiciel via des interfaces contractualisées et testées par les deux équipes est essentiel. Il s’agit par ailleurs de maintenir une traçabilité réelle entre les exigences et les tests associés. De fait, Nissan et Lucid Motors s’entendent sur la difficile réconciliation des évolutions logicielles et matérielles, même lorsque les véhicules sont électriques.