IA et SOLIDWORKS PDM : ce qui change vraiment pour les bureaux d'études en 2026AI and SOLIDWORKS PDM: what actually changes for engineering teams in 2026

Impossible d'ouvrir LinkedIn sans lire que l'IA va « révolutionner la CAO ». Pendant ce temps, dans les bureaux d'études que j'accompagne, la question posée est plus terre à terre : « concrètement, qu'est-ce que je peux en faire cette année, avec mes données et mon budget ? ». C'est exactement la question à laquelle cet article répond.You can't open LinkedIn without reading that AI will "revolutionize CAD". Meanwhile, in the engineering offices I work with, the question asked is more down-to-earth: "concretely, what can I do with it this year, with my data and my budget?". That's exactly the question this article answers.

Ma position, après 100+ projets PDM : l'IA utile en bureau d'études est déjà là, mais pas là où on la cherche. Elle n'est pas (encore) dans la pièce qui se dessine toute seule. Elle est dans la recherche qui comprend ce que vous voulez dire, la carte de données qui se remplit seule, la nomenclature vérifiée automatiquement, et l'assistant qui répond à « comment on fait déjà pour… ? » à la place du collègue expert parti à la retraite.My position, after 100+ PDM projects: useful AI in the engineering office is already here, but not where people look for it. It's not (yet) in the part that designs itself. It's in search that understands what you mean, the data card that fills itself in, the BOM checked automatically, and the assistant that answers "how do we do… again?" in place of the expert colleague who retired.

1. 2026 : où en est réellement l'IA dans l'écosystème SOLIDWORKS1. 2026: where AI really stands in the SOLIDWORKS ecosystem

Dassault Systèmes pousse ses assistants IA sur la plateforme 3DEXPERIENCE (compagnons génératifs, aide à la modélisation, automatisation de tâches répétitives), et chaque version de SOLIDWORKS embarque davantage d'assistances : sélections intelligentes, réparation d'esquisses, suggestions de fonctions. En parallèle, tout un écosystème d'outils tiers s'est construit autour des données : recherche par similarité géométrique, extraction de propriétés, agents documentaires.Dassault Systèmes is pushing its AI assistants on the 3DEXPERIENCE platform (generative companions, modeling aid, automation of repetitive tasks), and each SOLIDWORKS release ships more assistance: smart selections, sketch repair, feature suggestions. In parallel, a whole ecosystem of third-party tools has been built around data: geometric similarity search, property extraction, documentation agents.

Mais il faut être honnête sur la géographie de cette innovation : le gros des nouveautés IA « spectaculaires » vit sur le cloud 3DEXPERIENCE, pas dans SOLIDWORKS desktop + PDM on-premise, qui reste la configuration majoritaire des PME industrielles françaises. Pour ces équipes, la vraie question n'est pas « quand aurai-je un copilote de conception ? » mais « qu'est-ce que je peux brancher aujourd'hui sur mon coffre PDM ? ». Et là, il y a déjà beaucoup à faire.But let's be honest about the geography of this innovation: most of the "spectacular" AI features live on the 3DEXPERIENCE cloud, not in SOLIDWORKS desktop + on-premise PDM, which remains the majority setup of industrial SMEs. For these teams, the real question isn't "when will I get a design copilot?" but "what can I plug into my PDM vault today?". And there, there's already plenty to do.

2. Cas n°1 — La recherche qui comprend l'intention, pas les mots2. Case #1 — Search that understands intent, not words

Le problème le plus universel du PDM : on ne retrouve que ce qu'on sait nommer. Si la pièce s'appelle « support moteur » et que vous cherchez « platine fixation », la recherche classique rend zéro résultat — et un ingénieur redessine une pièce qui existe. Coût typique constaté : plusieurs heures par semaine et par personne, et des doublons qui pollueront le coffre pendant des années.The most universal PDM problem: you only find what you know how to name. If the part is called "engine bracket" and you search "mounting plate", classic search returns zero results — and an engineer redesigns a part that already exists. Typical observed cost: several hours per week per person, and duplicates that will pollute the vault for years.

C'est le premier apport concret de l'IA : la recherche sémantique (par embeddings) comprend que « platine de fixation moteur » et « support moteur » désignent la même chose, et la recherche par similarité géométrique retrouve les pièces proches par leur forme 3D, indépendamment de leur nom. Les deux technologies sont matures, disponibles, et se branchent sur un coffre PDM existant.This is AI's first concrete contribution: semantic search (embeddings) understands that "engine mounting plate" and "engine bracket" mean the same thing, and geometric similarity search finds nearby parts by their 3D shape, regardless of naming. Both technologies are mature, available, and plug into an existing PDM vault.

3. Cas n°2 et 3 — Propriétés auto-remplies et déduplication assistée3. Cases #2 & #3 — Auto-filled properties and assisted deduplication

Cas n°2 : la classification et l'extraction de propriétés. Un modèle entraîné reconnaît qu'un fichier est une visserie, une tôle pliée ou un profilé, lit la matière dans le modèle, déduit la désignation — et pré-remplit la carte de données. L'humain valide au lieu de saisir. Sur une reprise de données de 100 000 fichiers dont 60 % ont des propriétés vides ou incohérentes (cas réel et fréquent), c'est la différence entre un projet de migration qui prend des mois de saisie… et des semaines de validation.Case #2: classification and property extraction. A trained model recognizes that a file is a fastener, a bent sheet-metal part or a profile, reads the material from the model, infers the description — and pre-fills the data card. Humans validate instead of typing. On a 100,000-file data migration where 60% have empty or inconsistent properties (a real and frequent case), it's the difference between a migration project taking months of data entry… and weeks of validation.

Cas n°3 : la déduplication. Croisez similarité géométrique et similarité de métadonnées, et vous obtenez une liste de doublons probables triée par confiance. C'est l'outil que j'aurais rêvé d'avoir sur mes premières reprises de données : le nettoyage qui prenait des semaines d'expertise manuelle devient une revue guidée. Attention en revanche : la décision de fusionner reste humaine — deux pièces géométriquement identiques peuvent avoir des rôles différents (matière, traitement, criticité).Case #3: deduplication. Cross geometric similarity with metadata similarity and you get a list of probable duplicates ranked by confidence. It's the tool I would have dreamed of on my first data migrations: the cleanup that took weeks of manual expertise becomes a guided review. Beware though: the merge decision stays human — two geometrically identical parts can play different roles (material, treatment, criticality).

4. Cas n°4 et 5 — Assistants documentaires (RAG) et contrôle qualité continu4. Cases #4 & #5 — Documentation assistants (RAG) and continuous QC

Cas n°4 : l'assistant qui a lu toute votre documentation. La technique s'appelle RAG (Retrieval-Augmented Generation) : un modèle de langage répond aux questions en s'appuyant sur vos documents — procédures internes, normes, documentation SOLIDWORKS PDM, historique de projets. « Quelle est la procédure de diffusion d'un plan client ? », « comment on gère les indices sur les pièces de fonderie ? » : l'assistant répond avec la source citée, au lieu que la question interrompe l'expert local — ou reste sans réponse quand il est parti.Case #4: the assistant that has read all your documentation. The technique is called RAG (Retrieval-Augmented Generation): a language model answers questions grounded in your documents — internal procedures, standards, SOLIDWORKS PDM documentation, project history. "What's the release procedure for a customer drawing?", "how do we manage revisions on cast parts?": the assistant answers with the source cited, instead of the question interrupting the local expert — or going unanswered once they're gone.

Cas n°5 : le contrôle qualité continu des données. Un agent qui tourne la nuit et signale : cartouche incohérent avec la carte de données, nomenclature dont une référence n'existe plus, plan non régénéré après modification du 3D, propriété matière absente sur une pièce en état « Validé ». Chacun de ces contrôles existait déjà sous forme de scripts ; l'IA les rend accessibles sans développement, et capable de traiter le langage flou des désignations.Case #5: continuous data quality control. An agent that runs overnight and flags: title block inconsistent with the data card, a BOM referencing a part that no longer exists, a drawing not rebuilt after the 3D changed, a missing material property on a part in "Approved" state. Each of these checks already existed as scripts; AI makes them accessible without development, and able to handle the fuzzy language of descriptions.

5. Le prérequis que tout le monde saute : la qualité de vos données5. The prerequisite everyone skips: your data quality

Voici la partie que les vendeurs d'IA ne mettent pas dans leurs slides. Tous les cas d'usage ci-dessus ont le même carburant : des données structurées et fiables. Un coffre PDM avec des cartes remplies, des workflows respectés, des révisions propres. Si vos fichiers vivent sur un partage réseau avec les propriétés dans le nom du fichier (support_V2_INOX_final_OK.sldprt), l'IA n'a rien à lire — ou pire, elle lit du faux et répond du faux avec assurance.Here's the part AI vendors don't put in their slides. All the use cases above run on the same fuel: structured, reliable data. A PDM vault with filled-in cards, respected workflows, clean revisions. If your files live on a network share with properties embedded in the filename (bracket_V2_SS_final_OK.sldprt), AI has nothing to read — or worse, it reads wrong data and answers wrongly with confidence.

6. Feuille de route pragmatique pour les 12 prochains mois6. A pragmatic roadmap for the next 12 months

1. Trimestre 1 — Auditez vos données. Taux de cartes remplies, doublons, cohérence des révisions. C'est le diagnostic qui dimensionne tout le reste, et c'est un livrable utile même sans projet IA.Quarter 1 — Audit your data. Card completion rate, duplicates, revision consistency. This diagnosis sizes everything else, and it's a useful deliverable even without an AI project.
2. Trimestre 2 — Réparez le socle. PDM bien configuré, cartes obligatoires sur les états clés, workflows respectés. Utilisez la classification automatique pour rattraper le stock existant plutôt que de tout ressaisir.Quarter 2 — Fix the foundation. Well-configured PDM, mandatory cards on key states, respected workflows. Use auto-classification to catch up on the existing stock rather than re-typing everything.
3. Trimestre 3 — Un premier cas d'usage visible. La recherche sémantique ou l'assistant documentaire sont les meilleurs candidats : bénéfice immédiat pour tous, risque faible, pas de modification du processus de conception.Quarter 3 — One visible first use case. Semantic search or the documentation assistant are the best candidates: immediate benefit for everyone, low risk, no change to the design process.
4. Trimestre 4 — Mesurez et étendez. Temps de recherche gagné, doublons évités, questions traitées par l'assistant. Ce sont ces chiffres qui débloqueront le budget de l'étape suivante — pas les promesses.Quarter 4 — Measure and extend. Search time saved, duplicates avoided, questions handled by the assistant. These numbers — not promises — will unlock the next step's budget.

Et le copilote de conception qui dessine la pièce à votre place ? Il progresse vite, et il faut le suivre. Mais le jour où il sera mûr, il aura besoin de la même chose que tout le reste : vos données propres. Les équipes qui auront fait ce travail en premier prendront l'avantage — les autres nourriront leur IA avec du chaos.And the design copilot that models the part for you? It's progressing fast, and it's worth tracking. But the day it matures, it will need the same thing as everything else: your clean data. The teams that do this groundwork first will take the lead — the others will feed their AI with chaos.