MBSE & IA : Comment l'Ingénierie des Systèmes se Réinvente avec l'Intelligence Artificielle

Introduction

Pendant des décennies, les entreprises industrielles ont développé leurs produits selon un schéma désormais bien connu : peu de temps consacré à la phase amont, une course effrénée vers la réalisation, et une accumulation progressive de dettes techniques qui se transforment en véritables tempêtes budgétaires. L'effet « boule de neige », ces défauts de conception détectés tardivement qui coûtent cent fois plus cher à corriger en production qu'en phase de définition, reste aujourd'hui l'un des premiers motifs d'échec des projets industriels d'envergure.

Face à ce constat, le MBSE (Model-Based Systems Engineering), ou ingénierie des systèmes basée sur les modèles, s'impose depuis plus de vingt ans comme une réponse structurée et éprouvée. Pourtant, malgré ses bénéfices démontrés, son adoption reste freinée par un paradoxe : les organisations peinent à consentir un investissement en phase de conception, alors même que l'exploration de l'espace de conception est ce qui détermine la qualité et la robustesse finale du produit.

L'arrivée des grands modèles de langage (LLM) et de l'intelligence artificielle générative ouvre aujourd'hui une perspective nouvelle. Ces technologies peuvent-elles accélérer l'adoption du MBSE et lever les freins historiques ? La réponse est oui, à condition de les intégrer dans une approche rigoureuse combinant modélisation SysML, méthodes formelles et langages spécialisés. Cet article explore comment l'IA transforme l'ingénierie des systèmes et redéfinit la manière dont nous concevons les systèmes complexes.

L'illusion du « faire vite » : les coûts cachés d'une conception négligée

Dans l'industrie classique, la tentation est toujours la même : raccourcir les phases amont pour avancer rapidement vers les prototypes et la production. Cette logique, compréhensible à l'échelle d'un projet court, devient catastrophique lorsqu'il s'agit de développer des systèmes d'envergure impliquant mécanique, électronique, logiciel et services. Les défauts de spécification non détectés en amont se propagent silencieusement dans tout le cycle de vie du produit, où ils ressurgissent sous forme de rétrofits, de retards, de litiges ou de rappels.

Les études menées par l'INCOSE (International Council on Systems Engineering) et d'autres instituts de recherche convergent sur un constat édifiant : corriger une erreur de conception détectée lors de la validation coûte entre 10 et 100 fois plus cher que si elle avait été identifiée dès la spécification initiale. Cette asymétrie structurelle justifie à elle seule l'investissement en ingénierie amont; et pourtant, rares sont les organisations qui y concèdent pleinement.

Ce déséquilibre historique tient à plusieurs facteurs : pression concurrentielle sur la mise sur le marché, difficulté à objectiver la valeur d'une phase de conception approfondie, manque d'outils permettant de simuler et d'optimiser rapidement différentes architectures. Résultat : les ingénieurs passent l'essentiel de leur temps à corriger, alors qu'ils devraient passer l'essentiel de leur temps à concevoir. Le développement de systèmes complexes exige une rigueur amont que peu d'entreprises s'accordent.

Le paradoxe de l'investissement amont : pourquoi les entreprises hésitent

Si l'importance de la phase de conception est largement reconnue, son sous-investissement chronique s'explique par une raison très concrète : l'exploration de l'espace de conception est longue, coûteuse et incertaine. Comparer plusieurs architectures candidates, évaluer leurs performances, vérifier leur conformité aux exigences du système, estimer leur cycle de vie; chacun de ces exercices demande des compétences pointues et mobilise plusieurs ingénieurs pendant des semaines, voire des mois.

Face à cette réalité, les décisions stratégiques tendent à arbitrer en faveur de l'action plutôt que de la réflexion. Le « nous verrons bien » l'emporte souvent sur le « vérifions d'abord ». C'est précisément là que les approches basées sur des modèles ont tenté d'apporter une réponse : en transformant les descriptions textuelles ambiguës en artefacts formels, exécutables et vérifiables, elles permettent de raccourcir drastiquement les cycles d'exploration tout en augmentant leur qualité. Une approche basée sur les modèles autorise une traçabilité continue entre besoin, architecture et validation.

Le problème est que construire ces modèles prend lui-même du temps. Un modèle SysML robuste d'un système industriel nécessite plusieurs semaines de travail collaboratif entre architectes, ingénieurs système et parties prenantes métier. L'approche MBSE, bien qu'efficace, reste un investissement qui n'est rentabilisé pleinement qu'à moyen terme, un horizon que beaucoup d'organisations peinent à accepter, particulièrement dans les contextes où la pression sur la mise sur le marché est forte.

Le MBSE : fondations d'une ingénierie des systèmes moderne

Avant d'explorer les apports de l'IA, il est essentiel de rappeler ce qu'est le MBSE et pourquoi cette démarche s'est imposée comme une référence pour la conception de systèmes critiques. Le MBSE (model based system engineering) désigne une approche de l'ingénierie des systèmes qui utilise des modèles numériques comme principal moyen de représentation, de communication et de validation, en remplacement des livrables textuels traditionnels. C'est une méthodologie qui utilise des modèles formels à chaque étape du processus d'ingénierie des systèmes.

Au cœur de cette approche se trouve SysML (Systems Modeling Language), l'un des langages de modélisation les plus répandus, inspiré d'UML mais spécifiquement adapté aux systèmes pluridisciplinaires. SysML permet de décrire les exigences, la structure, le comportement et les paramètres d'un système dans un formalisme partagé par toutes les parties prenantes. D'autres langages de modélisation, comme Capella avec la méthode Arcadia ou AADL pour les systèmes embarqués, complètent l'écosystème des systèmes basée sur des modèles.

💡 Pour aller plus loin sur SysML et son intégration avec l'IA, vous pouvez consulter notre article sur le passage à SysML v2 : SysML v2 vs SysML v1.6

Les bénéfices du MBSE sont nombreux : traçabilité des exigences du système, alignement entre les équipes, détection précoce des incohérences, réutilisation des modèles de système d'un projet à l'autre, support à la modélisation et la simulation, génération automatisée de la documentation. L'approche MBSE est particulièrement précieuse pour la gestion du cycle de vie, car elle maintient un fil numérique cohérent depuis l'expression du besoin jusqu'à la maintenance, en passant par l'ensemble du cycle de vie du système. Les pratiques MBSE sont aujourd'hui incontournables dans l'aérospatiale, le ferroviaire, l'automobile ou la défense, des secteurs où la maîtrise et la gestion des systèmes critiques sont primordiales.

Mais malgré sa maturité, le MBSE souffre d'une barrière d'entrée importante : la construction et la maintenance des modèles restent manuelles, chronophages et exigent une expertise rare. C'est précisément ce verrou que l'intelligence artificielle est en train de faire sauter.

L'IA et les LLM comme catalyseurs du MBSE

L'arrivée des grands modèles de langage change profondément la donne pour l'ingénierie système. Les LLM, entraînés sur d'immenses corpus techniques, sont capables de comprendre le langage naturel, d'extraire des exigences à partir de cahiers des charges, de générer des fragments de modèles MBSE, de proposer des raffinements de description ou encore de produire automatiquement des livrables. Ils peuvent également aider à la prise de décision en synthétisant rapidement les résultats de plusieurs alternatives architecturales.

Concrètement, un ingénieur peut aujourd'hui décrire en langage naturel une fonctionnalité attendue, et obtenir en retour une première ébauche de modèle structurée : diagramme de cas d'usage, blocs fonctionnels, contraintes, exigences dérivées. Ce gain de temps est considérable sur les phases de brouillon, d'itération et d'exploration. L'IA agit alors comme un copilote qui accélère le travail sans le remplacer, un accélérateur de productivité au service des ingénieurs système.

Cependant, utiliser un LLM de manière isolée pour produire des livrables d'ingénierie serait une erreur. Les LLM sont puissants mais imparfaits : ils peuvent halluciner, produire des raisonnements plausibles mais faux, ou omettre des contraintes critiques. Dans un contexte où une erreur de définition peut avoir des conséquences industrielles majeures, la confiance aveugle dans un modèle génératif est inenvisageable. L'IA ne peut apporter sa pleine valeur qu'à condition d'être encadrée par une démarche rigoureuse.

Une approche combinée : SysML, méthodes formelles et langages spécialisés

La vraie promesse de l'IA pour le MBSE réside dans une approche structurée qui combine trois piliers complémentaires : la modélisation SysML pour la représentation fonctionnelle et architecturale, les méthodes formelles pour la vérification mathématique des propriétés, et un ensemble choisi de langages spécialisés (DSL, Domain-Specific Languages) pour guider, justifier et valider les choix à chaque étape du processus.

La modélisation comme ossature

SysML fournit l'ossature commune. C'est le socle partagé sur lequel viennent s'appuyer les LLM pour proposer des structures, vérifier la cohérence entre diagrammes et produire des dérivations. Un système basée sur les modèles permet d'exposer rapidement les couplages critiques, les dépendances cachées et les points de vulnérabilité architecturale. La modélisation et la simulation permettent d'évaluer rapidement les performances du système candidat dans différentes conditions d'usage. Modéliser devient alors un acte à la fois humain et assisté, où l'ingénieur garde le contrôle tout en bénéficiant des suggestions de l'IA.

Les méthodes formelles comme garde-fou

Les méthodes formelles (vérification de modèles, preuve de théorèmes, analyse statique) apportent ce que les LLM ne peuvent fournir : une garantie mathématique sur certaines propriétés critiques du système. Lorsqu'un LLM propose une architecture, une méthode formelle peut vérifier qu'elle satisfait effectivement les exigences de sûreté, de disponibilité ou de temps réel. Cette complémentarité est fondamentale : l'IA explore rapidement, les méthodes formelles valident rigoureusement.

Les langages spécialisés comme passerelles

Entre le besoin exprimé en langage naturel et la spécification détaillée, un continuum de langages spécialisés permet de raffiner progressivement le produit. Les DSL dédiés aux exigences (comme EARS ou des grammaires contrôlées), les langages de contraintes (OCL), les langages de simulation (Modelica), les langages d'architecture logicielle (AADL), ou encore les langages pour les systèmes dynamiques permettent à l'IA d'opérer dans un cadre syntaxique et sémantique précis, limitant drastiquement le risque d'hallucination. Chaque langage couvre une préoccupation spécifique et s'articule avec les autres via le model central.

Cette démarche qui utilise des modèles à différents niveaux d'abstraction, orchestrés par une approche MBSE cohérente et enrichie par l'IA, constitue aujourd'hui la voie la plus prometteuse pour industrialiser l'ingénierie des systèmes basée sur les modèles et supporter efficacement le développement de systèmes complexes.

De l'expression du besoin à la spécification : un flux de travail MBSE augmenté

Voyons concrètement comment cette démarche transforme le flux de travail MBSE, de la première expression d'un besoin à la définition exécutable d'un système. Ce flux de travail MBSE, enrichi par l'IA, redéfinit le rythme d'un projet d'ingénierie.

1. Capture et analyse des exigences. Les parties prenantes fournissent des documents hétérogènes : cahiers des charges, notes de réunion, règlementations applicables. Un LLM les analyse, en extrait les exigences candidates, les classe, les priorise et les exprime dans un DSL d'exigences structuré. L'ingénieur révise, corrige et valide. La gestion des exigences devient plus rapide et plus traçable, et toutes les parties prenantes disposent d'une base commune vérifiable.

2. Exploration architecturale. À partir des exigences formalisées, l'IA propose plusieurs architectures candidates modélisées en SysML. Chaque architecture est évaluée sur des critères de performance, coût, risque et faisabilité. La simulation permet d'objectiver les différences et de guider la prise de décision basée sur les données. Cette décision basée sur les données remplace avantageusement l'intuition d'expert isolée.

3. Raffinement et spécification. L'architecture retenue est décomposée en sous-systèmes, modules et composants. L'IA assiste la dérivation des exigences système vers les exigences de sous-systèmes, en veillant à maintenir la traçabilité. Les méthodes formelles vérifient la cohérence de chaque raffinement. La conception de systèmes devient un dialogue entre l'humain et la machine, et la conception des systèmes gagne en précision et en reproductibilité.

4. Vérification et validation. Les propriétés critiques sont vérifiées formellement. Les scénarios opérationnels sont simulés, y compris pour les systèmes embarqués soumis à des contraintes de temps réel. Les modèles en temps réel permettent de tester les comportements dynamiques avant toute réalisation physique, améliorant drastiquement les performances du système final.

5. Documentation et alignement. Toute la documentation est générée automatiquement à partir des modèles, garantissant cohérence et actualisation. Les mises à jour d'un modèle se propagent immédiatement dans les livrables associés, supprimant les désynchronisations classiques entre définition et livrables.

Ce processus MBSE itératif et collaboratif, dans lequel l'IA joue un rôle d'accélérateur à chaque étape, permet de passer d'une ingénierie artisanale à une ingénierie industrielle, reproductible et auditable. Le processus d'ingénierie des systèmes gagne ainsi en maturité sans perdre en créativité.

Jumeaux numériques et fil numérique : l'horizon du MBSE augmenté

Au-delà de la conception, l'IA combinée au MBSE ouvre la voie à une gestion du cycle de vie beaucoup plus fluide. Les jumeaux numériques, répliques virtuelles de systèmes physiques alimentées par des données opérationnelles, sont une extension naturelle de cette approche. Lorsqu'ils sont connectés au modèle de conception via un fil numérique cohérent, ils permettent de comparer en continu le comportement réel du système à son comportement prévu, et de détecter précocement les dérives. Cette approche utilise des modèles numériques vivants, mis à jour en permanence par les données obervées.

L'IA joue ici un rôle clé : elle analyse les flux de données opérationnelles, détecte les anomalies, propose des ajustements de configuration et alimente en retour la conception des générations suivantes du produit. Cette boucle vertueuse, difficile à mettre en œuvre sans une base solide, devient accessible aux organisations qui ont investi dans une approche structurée et dans une approche de l'ingénierie des systèmes mature.

Pour les systèmes industriels comme les aéronefs, les trains ou les usines, la combinaison MBSE + méthodes formelles + jumeaux numériques + IA est en train de redéfinir les standards de l'ingénierie. Les performances du système, la disponibilité, la maintenabilité peuvent être optimisées en continu, bien au-delà de la mise en service initiale. Gérer des systèmes complexes devient un exercice data-driven plutôt qu'une navigation à vue.

Une approche agile appliquée au MBSE

L'un des reproches historiquement adressés au MBSE est sa rigidité perçue, par opposition aux méthodes agiles dominantes dans le développement de logiciels. Cette opposition observée résulte largement un malentendu. Rien n'impose un cycle en cascade ; au contraire, une approche agile appliquée à l'ingénierie système est parfaitement possible et même souhaitable pour développer des systèmes modernes.

L'IA renforce cette compatibilité en réduisant drastiquement le coût d'un cycle de raffinement. Là où construire et valider une nouvelle itération d'un modèle prenait plusieurs semaines, l'assistance de l'IA permet de le faire en quelques jours. L'itératif devient possible même sur des systèmes de grande échelle, et la démarche rejoint la cadence attendue par les équipes modernes. La collaboration entre architectes, ingénieurs logiciel et ingénieurs système s'en trouve facilitée, dans un processus de développement plus fluide et réellement collaboratif. Les approches basées sur des modèles deviennent compatibles avec des sprints courts et des livraisons incrémentales.

Les meilleures pratiques pour adopter un MBSE augmenté par l'IA

Pour tirer pleinement parti de cette nouvelle génération de MBSE, quelques meilleures pratiques se dégagent.

Commencer petit est essentiel. Mieux vaut démontrer la valeur de l'approche sur un sous-système pilote avant de la généraliser. Choisir un périmètre où les bénéfices seront visibles rapidement, typiquement la gestion des exigences ou la production de livrables, facilite l'adhésion des équipes et évite l'effet tunnel.

Investir dans la formation des ingénieurs système. Le MBSE ne se décrète pas : il exige de nouvelles compétences, en représentation formelle, en langages de modélisation, et maintenant en ingénierie des prompts pour dialoguer efficacement avec les LLM. Les ingénieurs système et les ingénieurs logiciel doivent partager un socle commun. Développer des systèmes complexes avec cette pile technique demande une montée en compétence soutenue.

Construire une bibliothèque de modèles MBSE réutilisables. Cela accélère chaque projet suivant. La création et l'utilisation de modèles standardisés (patrons architecturaux, modèles de système vérifiés, scénarios de validation) constituent un actif stratégique pour l'entreprise. Cette approche structurée est un différenciateur durable.

Mettre en place une gouvernance claire sur l'usage de l'IA. Quelles tâches sont automatisables ? Quelles décisions doivent rester humaines ? Comment tracer les contributions de l'IA dans les livrables ? Ces questions doivent être tranchées explicitement pour garantir la qualité et la responsabilité des artefacts produits. La gestion des systèmes issus d'un flux augmenté par l'IA exige une discipline nouvelle.

Conclusion

Le MBSE n'est plus une option pour les organisations qui conçoivent des systèmes critiques : c'est une nécessité. Mais l'adoption massive du MBSE butait jusqu'ici sur une barrière concrète : le coût et la durée de construction des modèles. L'intelligence artificielle, et en particulier les LLM, fait sauter ce verrou en apportant une capacité d'accélération inédite à chaque étape du processus MBSE.

Pour autant, l'IA seule ne suffit pas. Sans cadre rigoureux, elle risque de produire des modèles plausibles mais fragiles. La vraie valeur émerge de la combinaison entre modélisation SysML, méthodes formelles et langages spécialisés, orchestrés par des ingénieurs qui savent diriger la machine plutôt que se laisser diriger par elle. Cette approche MBSE structurée permet enfin de réconcilier l'investissement en phase amont avec les contraintes de mise sur le marché, et de développer des produits plus robustes, plus rapidement.

Les entreprises qui adopteront cette pile (MBSE + IA + méthodes formelles + DSL) prendront une avance durable sur celles qui continueront à traiter l'ingénierie amont comme un centre de coût. L'enjeu n'est pas technologique : il est stratégique. Et le moment pour investir, c'est maintenant.

Formations Associées

• MBSE avec Arcadia et Capella : Architecture Système
• SysML : Modélisation Standardisée des Systèmes
• Matlab & Simulink pour l'Ingénierie Système
• Ingénierie des Modèles : Créer ses propres outils
• Analyse de la Valeur : Optimiser la Conception Système dans le MBSE
• Ingénierie des Exigences : Capter et Spécifier le Besoin Système