L’éco-conception est bien répandue dans les bureaux d’études. Il existe des guides et des normes comme ISO 14006, IEC 62430 et ESPR, et la formation dans ces domaines se développe rapidement. Pourtant, lors d’une revue de conception, lorsqu’un ingénieur opte pour un collage ou une fixation vissée, la question de la réparabilité est souvent laissée de côté. Elle ressurgira plus tard, lors d’un retour SAV difficile ou d’une revue de fin de vie, lorsque ce sera trop tard pour apporter des modifications.
Figure 1 – L’éco-conception au cœur d’un réseau de critères (matériaux, fabrication, maintenance, recyclage, indicateurs). Image générée par IA.
Ce n’est pas un problème de volonté. C’est un problème de charge cognitive et de timing. Un concepteur arbitre simultanément la performance, le coût, l’industrialisation, les délais, la sécurité, les variantes et les retours des fournisseurs. La soutenabilité apparaît souvent comme une couche supplémentaire, rarement intégrée aux outils qu’il utilise lorsqu’il décide.
Un chiffre suffit à mesurer l’enjeu. Selon une estimation largement reprise dans la littérature sur l’éco-conception (Commission européenne), jusqu’à 80 % de l’impact environnemental d’un produit serait déterminé dès la phase de conception. Bien que la phase de conception ne représente qu’environ 5 % du coût de fabrication d’un produit, elle verrouille, selon les estimations, entre 50 et 75 % de ce coût (Ulrich & Pearson, 1998 ; Ullman, 2023), une proportion que certains auteurs étendent par analogie aux impacts environnementaux (Ramani et al., 2010 ; McAloone & Bey, 2009).
Ajouter une checklist à remplir en fin de revue ne suffit pas. La réponse doit s’intégrer directement à l’environnement de travail du concepteur, à la conception assistée par ordinateur (CAO), à la gestion du cycle de vie du produit (Product Lifecycle Management – PLM) et aux processus de validation. C’est là qu’une intelligence artificielle (IA) bien conçue peut avoir un impact réel.
Selon le McKinsey State of AI 2025, moins de 10 % des organisations ont déployé l’IA agentique au sein d’une fonction métier, et près des deux tiers n’ont pas encore commencé à le faire. Les rares qui obtiennent des résultats sont celles qui ont restructuré leurs workflows autour de l’IA, pas celles qui l’ont ajoutée en silo.
Avant tout, une IA utile en conception soutenable doit savoir se taire. Trop d’alertes tuent l’alerte. Si le système signale tout, le concepteur finit par tout ignorer. La confiance se construit par la rareté et la précision du signal, de manière proactive (Marconnet et al., 2025).
La première forme d’aide efficace est la checklist contextuelle courte. Au moment du choix d’un composant, quatre questions sur l’accessibilité, la standardisation de la fixation, le risque au démontage et l’ordre de dépose. Ces questions paraissent simples ; elles réduisent pourtant les oublis structurels dans les projets sous pression.
La deuxième est l’alerte contextualisée. Un système qui identifie une contradiction entre une décision de conception et un objectif documenté, par exemple un couvercle non démontable sans destruction sur un boîtier contenant une batterie pouvant être remplacée. L’alerte ne bloque pas la décision ; elle oblige à rendre le compromis explicite. Cette traçabilité a une valeur directe au regard des exigences documentaires de l’ESPR et du futur passeport numérique de produit.
Figure 2 – Assistant IA en CAO : visualisation des indicateurs environnementaux et propositions d’alternatives en temps réel. Image générée par IA.
La troisième est la proposition d’alternatives. Deux ou trois options réalistes, avec leurs effets attendus sur le coût, le temps d’assemblage, la facilité de démontage et la recyclabilité. L’objectif n’est pas de désigner une solution meilleure, mais de rendre le compromis visible avant que l’architecture ne soit figée.
Pour que ces trois fonctions tiennent leurs promesses, elles doivent s’appuyer sur des données réelles sur les produits. C’est là qu’interviennent les graphes de connaissances (knowledge graphs), qui relient explicitement les pièces, les matériaux, les liaisons, les fonctions et les scénarios de fin de vie. Une revue systématique de 38 études (Maryam et al., 2026) confirme que l’intégration des LLM et des graphes en phase de conception demeure largement sous-exploitée. Le gap à combler est là.
Un point de vigilance : les grands modèles de langage (ou Large Language Models – LLMs) sont fondamentalement probabilistes et stochastiques. Pour une même question, deux concepteurs peuvent obtenir des réponses différentes ; des variations allant jusqu’à 15 % ont été observées entre des requêtes identiques (Atıl et al., 2025). Dans un environnement industriel, cette variabilité constitue un risque structurel pour tout processus normalisé. Les graphes, eux, sont déterministes : une relation encodée produit toujours la même réponse. C’est le fondement de l’approche neuro-symbolique, notamment grâce à GraphRAG (Microsoft Research, 2024) : ancrer le LLM dans un graphe structuré afin de rendre les réponses cohérentes d’un concepteur à l’autre.
Un algorithme efficace, mais mal intégré, ne produira aucun changement. C’est l’erreur courante : déployer un outil d’IA en parallèle des systèmes existants et recevoir des recommandations génériques, sans prise en compte des décisions réelles.
Le PLM constitue l’infrastructure déterminante. Les données utiles sont dispersées : CAO, eBOM, exigences clients, incidents qualité, retours SAV. La continuité numérique qu’il assure, de la conception au retour de terrain, rend l’IA réellement exploitable. Sans cette base structurée, les recommandations restent génériques.
Les graphes de connaissances enrichissent cette base en codant les relations entre une pièce, un matériau, une contrainte d’accès et un scénario de maintenance. L’IA peut ainsi justifier ses alertes avec précision, non seulement les émettre, mais aussi ancrer chaque recommandation dans une donnée traçable.
À terme, cette architecture ouvre la voie aux jumeaux cognitifs de conception : là où le jumeau numérique décrit un état, le jumeau cognitif raisonne, compare des variantes, anticipe des difficultés de réparation et documente les arbitrages. Application concrète : simuler l’impact des décisions d’assemblage sur les scénarios de fin de vie avant de figer l’architecture.
Une recommandation d’IA repose toujours sur des hypothèses et des pondérations. Si le coût prime, l’outil favorise certains choix. Les cadres européens ESPR, ALTAI et AI Act rappellent que cette gouvernance doit être explicite : qui définit les règles, sur quelles données, avec quelle traçabilité pour les concepteurs ?
Cette vision proactive de l’IA appliquée à la conception soutenable est précisément l’objet de la chaire industrielle ProActive Design for Sustainability (PADS), lancée en avril 2024 à l’ECAM LaSalle en partenariat avec PTC et l’Université de Technologie de Compiègne (UTC). Portée à l’ECAM LaSalle par Bertrand Marconnet (auteur de cet article), à l’UTC par Benoît Eynard (laboratoire Roberval) et chez PTC par Murvin Boodhoo, la chaire PADS conduit des travaux doctoraux sur l’éco-conception appliquée au PLM, à la CAO et à l’Analyse du Cycle de Vie, avec un accent particulier sur les apports de l’IA (Marconnet et al., 2025). L’ambition : transformer les outils CAO/PLM en assistants intelligents pour aider les ingénieurs à intégrer l’impact environnemental dès leurs premières décisions de conception.
L’éco-conception ne progressera pas grâce aux discours. Elle progressera quand les bons signaux apparaîtront, au moment où les décisions seront prises. Une IA sobre, bien intégrée et honnête dans ses limites peut y contribuer, sobre dans ses interactions, mais aussi dans son empreinte : le numérique représente déjà 4,4 % de l’empreinte carbone nationale (ADEME, 2025), comparable à celle de l’aviation civile mondiale. Une IA au service de l’éco-conception doit elle-même être conçue pour durer.
──────────────────────────────────────────────────────
Sources
