Seulement cinq pour cent des constructeurs automobiles devraient maintenir des programmes d’investissement ambitieux dans l’IA jusqu’en 2029, établissant dès maintenant les bases techniques qui les distingueront de leurs concurrents. Ces entreprises sont à l’avant-garde du secteur, à la recherche d’une valeur disruptive, car elles ont jeté les bases nécessaires à sa pérennité.
Les véhicules définis par logiciel (SDV), dans lesquels les fonctionnalités du véhicule sont fournies principalement par le biais de logiciels plutôt que de matériel fixe, sont au centre de cette ambition. Cependant, pour de nombreux programmes d’ingénierie, la question stratégique est de savoir comment créer l’infrastructure de flux de travail d’ingénierie qui peut réellement permettre au développement de logiciels basés sur l’IA d’être efficace.
Dans les programmes OEM (Original Equipment Manufacturing) établis, le cycle de vie du développement dépend toujours de transferts manuels entre les équipes et les outils. Les données d’ingénierie sont fragmentées dans des systèmes distincts, avec des exigences dans un outil et des décisions de conception dans un autre. Le code, les tests et les preuves de conformité se trouvent ailleurs. Lorsqu’un changement arrive, les équipes doivent rassembler manuellement ce qui est connecté, ce qui est impacté et quelles preuves de validation sont requises avant la publication. Sans traçabilité en direct, cette reconstruction nécessite des efforts d’ingénierie importants. Les changements tardifs obligent les équipes à régénérer les livrables de validation dans plusieurs environnements de test, introduisant des retards et des risques d’incohérence.
Les programmes existants comportent une contrainte supplémentaire. La plupart des équipementiers conventionnels gèrent simultanément les gammes de véhicules ICE, hybrides et électriques, chacune avec ses propres plates-formes logicielles. Les composés aériens. Chaque gamme de produits ajoute sa propre charge de coordination, ce qui rend difficile la maintenance d’outils cohérents dans l’ensemble du portefeuille.
Un atelier d’ingénierie d’IA agentique résout ces deux problèmes. Le cycle de vie devient un flux de travail continu. La traçabilité se met à jour automatiquement. La conformité est appliquée à chaque étape plutôt que enregistrée pour les examens de porte.
Créez une couche de traçabilité en direct, pas un artefact de reporting
Un graphique de traçabilité en direct maintient les relations entre les exigences, les décisions de conception, les versions de code et les résultats des tests en temps réel à mesure que les travaux d’ingénierie progressent. Un changement arrive. Le graphique montre ce qui est concerné et quelles preuves existent déjà. Toute relation dans ce graphique peut être interrogée directement, et non reconstruite manuellement.
La plupart des programmes OEM reconstruisent cette chaîne lors des examens à la porte plutôt que de la maintenir en permanence. Les cadres de sécurité fonctionnelle et de conformité des processus exigent tous deux qu’ils soient auditables et à jour. Un graphique en direct fournit ces informations au fur et à mesure de l’avancée du travail, et non comme un exercice préalable à la publication. Le même graphique s’étend sur les gammes de véhicules ICE, hybrides et électriques, de sorte que la traçabilité d’un composant partagé n’a pas besoin d’être reconstruite séparément pour chaque plate-forme.
Gouverner les agents IA tout au long du flux de travail
Un atelier d’ingénierie agentique orchestre plusieurs agents d’IA tout au long du cycle de vie de développement, chacun avec une portée et des références standards définies, partageant tous une seule épine dorsale de traçabilité. Les ingénieurs humains examinent et approuvent les propositions à des points de décision définis. Human-in-the-loop (HITL) est une caractéristique architecturale. Les ingénieurs examinent activement chaque action d’un agent plutôt que de recevoir des notifications après coup. Les normes sont appliquées, pas conseillées. Grâce à la génération augmentée par récupération (RAG), les normes applicables sont récupérées directement au moment de l’invocation de l’agent et appliquées en tant que portes matérielles. Les exceptions nécessitent l’approbation humaine nommée. C’est ainsi que la gouvernance devient une application plutôt qu’une orientation.
Faire de la gouvernance le plan de contrôle
Les arguments en faveur de la gouvernance par conception dans l’IA agentique ne sont plus théoriques. Dans le domaine automobile spécifiquement, la préoccupation est aiguë : La norme CEE-ONU R155 exige les constructeurs doivent exécuter un système de gestion de la cybersécurité certifié tout au long du cycle de vie du véhicule, et la norme ISO 26262 exige une rigueur logicielle calibrée en fonction des risques de sécurité. L’automatisation incontrôlée est incompatible avec les deux. Dans ces environnements, la gouvernance est la porte d’entrée en matière d’approvisionnement et non une case à cocher en matière de productivité.
Le principe est la preuve avant l’autonomie. L’amélioration de la transparence et de la coordination passe avant tout. L’automatisation des fonctions à plus haut risque est introduite progressivement, à mesure que la confiance s’établit par des résultats et non par des hypothèses. Un agent travaillant sur une fonction classée à un niveau d’intégrité de sécurité automobile (ASIL) plus élevé fonctionne avec moins d’autonomie et plus de points de contrôle obligatoires qu’un agent travaillant sur une fonction à moindre risque. La gouvernance est le plan de contrôle autour duquel l’architecture est construite. D’ici 2030, selon recherches récentesla moitié de tous les échecs de déploiement d’agents d’IA résulteront d’une application insuffisante du runtime de gouvernance. Pour les programmes automobiles, la gouvernance intégrée dès le départ est une exigence en matière d’approvisionnement. Lorsqu’il est intégré dès la phase de conception plutôt que ajouté ultérieurement, les résultats en matière de productivité suivent. Travail de la propre chaîne d’outils SDV d’Infosys Le montre déjà : un fabricant de chariots élévateurs a réduit les délais de construction et de déploiement d’environ 40 % et a économisé près de 670 000 dollars par an après avoir standardisé sa chaîne d’outils.
Les programmes SDV réussissent ou échouent en termes de discipline de flux de travail d’ingénierie, et non d’accès aux outils. L’écart en matière de délais de mise sur le marché dans le développement de logiciels automobiles est réel et ne se résorbe pas d’eux-mêmes. La plupart des programmes OEM établis exécutent toujours des processus de développement conçus pour les véhicules définis par le matériel. L’adaptation de ces processus aux cadences SDV nécessite plus que le simple déploiement d’outils d’IA.
À l’avenir, les programmes réussis intégreront l’infrastructure de traçabilité et de gouvernance dans les flux de travail d’ingénierie. L’atelier qui régit l’ingénierie est l’infrastructure sur laquelle repose une cadence de publication compétitive. L’infrastructure est un jeu à long terme dans un secteur où la vitesse de lancement détermine la position sur le marché.