Generatieve AI kan overtuigende teksten en beelden produceren, maar een engineer heeft weinig aan een antwoord dat alleen aannemelijk klinkt. Met drie gespecialiseerde ‘Virtual Companions’ wil Dassault Systèmes AI daarom verbinden aan simulatie, natuurkunde en tientallen jaren aan industriële kennis. Volgens Gian Paolo Bassi, SVP Mainstream Innovation bij Dassault Systèmes, verandert dat niet zozeer wat engineers doen, maar vooral hoeveel tijd ze nog kwijt zijn aan de software eromheen.
Wie ChatGPT, Claude of een vergelijkbaar AI-model gebruikt, weet hoe makkelijk software inmiddels in gewone taal te bedienen is. In engineering ligt de lat hoger: een antwoord kan overtuigend klinken, maar daar heeft een engineer weinig aan als het onderdeel in werkelijkheid breekt of niet geproduceerd kan worden.
Dat verschil is volgens Gian Paolo Bassi een belangrijke reden waarom Dassault Systèmes de richting van industriële AI kiest. Het bedrijf ontwikkelt daarvoor drie Virtual Companions: AURA, LEO en MARIE, gericht op respectievelijk bedrijfskennis, engineering en wetenschap.
“De grote bouwers van foundation models richten zich op generieke AI en die is ontzettend krachtig gebleken”, vertelt Bassi. “Wat ze per definitie niet hebben, is de verankering van die AI in wat we physical AI noemen. Het gaat om de brug tussen general-purpose taalmodellen en de fysieke werkelijkheid.”
Van een waarschijnlijk antwoord naar een fysiek antwoord
Die fysieke werkelijkheid is precies waar engineeringsoftware al tientallen jaren mee probeert om te gaan. Een engineer die een constructie simuleert, wil niet weten wat er waarschijnlijk gebeurt. Hij wil krachten, materiaaleigenschappen, toleranties en veiligheidsmarges kunnen berekenen.
“Bij engineering kunnen we onzekerheid doorgaans beheren met bijvoorbeeld een safety factor”, legt Bassi uit. “Bij een antwoord van een algemeen AI-model heb je zo’n veiligheidsfactor niet.”
Dassault Systèmes koppelt daarom generatieve AI aan bestaande engineeringtechnologie. Binnen het bedrijf wordt daarvoor gesproken over Industry World Models, waarin taalmodellen worden gecombineerd met industriële kennis en geometrische en fysieke modellen.
Een chatbot kan bijvoorbeeld voorstellen om een onderdeel dunner te maken om gewicht te besparen. Een industriële AI moet vervolgens ook kunnen bepalen of het onderdeel de vereiste belastingen nog aankan en of het ontwerp produceerbaar is.
Bassi ziet de AI daarom niet als vervanging van bestaande engineeringsoftware, maar als een nieuwe laag erbovenop.
“De schoonheid van taalmodellen zit in de mogelijkheid om een conversationele gebruikersinterface te maken”, zegt hij. “In plaats van knoppen in een bepaalde volgorde te moeten vinden en aanklikken, kun je natuurlijke taal gebruiken.”
Drie AI-collega’s
AURA richt zich op bedrijfsinformatie en data-analyse, LEO op engineering, productie en simulatie en MARIE op wetenschappelijke toepassingen zoals materiaalonderzoek en life sciences. Die specialisatie is bewust, maar gebruikers hoeven niet zelf steeds de juiste AI te kiezen.
“Je zegt niet: AURA, beantwoord deze vraag, of LEO, doe dit”, aldus Bassi. “Je hebt één plek waar je in natuurlijke taal communiceert. De verschillende companions bepalen vervolgens wie een vraag oppakt of geven delen ervan aan elkaar door.”
Voor SOLIDWORKS-gebruikers zal vooral LEO zichtbaar zijn. Die agent kan onder meer simulaties starten, modellen beoordelen en ontwerpregels controleren. AURA kan bedrijfs- en projectkennis toevoegen, terwijl MARIE bijvoorbeeld materiaalkennis kan inbrengen.
Hoe zo’n werkwijze er in de praktijk uit kan zien, legt Bassi uit aan de hand van een voorbeeld voor een ruimtetelescoop.
In een traditionele workflow moet een engineer precies weten welke CAD- en simulatietools nodig zijn en in welke volgorde ze moeten worden gebruikt. Met een Virtual Companion kan de engineer in plaats daarvan beginnen bij het probleem.
Er kan bijvoorbeeld al een ontwerp voor een ruimtetelescoop bestaan, maar de draagconstructie moet lichter worden zonder tijdens de lancering te bezwijken.
“Je begint tegen het systeem te praten en het probleem te formuleren dat je wilt oplossen”, zegt Bassi.
De opdracht kan ook veel opener beginnen. Een engineer kan aangeven dat een constructie een optisch instrument van een bepaalde diameter en massa moet dragen en binnen de laadruimte van een raket moet passen. Vervolgens kan hij vragen het ontwerp lichter, goedkoper of eenvoudiger te assembleren te maken.
Een ander scenario begint juist bij een probleem in de praktijk. Stel dat een mechanisme na 20.000 bedrijfsuren regelmatig defect raakt in een woestijnomgeving. De engineer kan de AI vragen de invloed van zand, wrijving en slijtage te onderzoeken.
Juist daar blijft menselijke expertise volgens Bassi essentieel. De AI weet niet vanzelf dat slijtage waarschijnlijk de oorzaak is. Die hypothese komt van een ervaren engineer.
“De expertise zit nog steeds in het hoofd van de engineer”, zegt hij. “De engineer heeft al de intuïtie dat het falen bijvoorbeeld door duurzaamheid of slijtage komt en niet puur door materiaalspanning en vervorming.”
De AI kan vervolgens het repetitieve werk overnemen en verschillende materialen, coatings, afmetingen of onderhoudsschema’s doorrekenen.
De engineer hoeft niet minder te weten
Dat roept de vraag op wat er overblijft van de typische engineer wanneer steeds meer handelingen door AI worden uitgevoerd. Bassi verwacht juist dat de kern van het vak nauwelijks verandert.
“Ik verwacht helemaal niet dat de rol van de engineer verandert. Ik verwacht dat we hem de vrijheid geven om zich te richten op wat een echte engineer hoort te doen: het probleem begrijpen en formuleren binnen zijn ervaring en de zakelijke context.”
Economische afwegingen zijn daar een belangrijk onderdeel van. Een technisch ideaal ontwerp is lang niet automatisch een goed product.
“Als je tegen AI zegt dat hij de perfecte constructie moet maken, kan AI je een perfecte constructie geven die een miljard kost. Sorry, maar dat is geen engineeringoplossing.”
Wetenschappelijke basiskennis, domeinexpertise en menselijk beoordelingsvermogen blijven daarom belangrijk. Wat volgens Bassi wél verdwijnt, is een deel van de noodzaak om de bediening van elk afzonderlijk softwarepakket uit het hoofd te kennen.
Voor engineering geldt volgens Bassi hetzelfde. “De engineer hoeft niet meer te weten welke combinatie van knoppen in alle verschillende tools nodig is om bij een antwoord te komen.”
Vooral documentatie kan sneller
De grootste winst verwacht Bassi voorlopig opvallend genoeg niet bij volledig automatisch gegenereerde producten, maar bij technische documentatie.
Een virtueel productmodel bevat al veel informatie die later opnieuw in tekeningen, montage-instructies en andere documenten moet worden verwerkt. Toch gebeurt een groot deel daarvan nog handmatig.
“Het maken van technische documentatie rond een product is ontzettend duur”, zegt Bassi. “Denk alleen al aan technische tekeningen met maten, toleranties, materiaalvereisten, oppervlakteafwerkingen en andere productie-informatie.”
Assemblage-instructies zijn een goed voorbeeld. Een engineer begrijpt vaak snel hoe een product in elkaar moet worden gezet, maar die kennis moet vervolgens ondubbelzinnig worden vastgelegd voor een fabriek elders in de wereld.
Juist fouten bij assemblage kunnen grote kwaliteitsproblemen veroorzaken. AI kan volgens Bassi daarom niet alleen tijd besparen, maar ook helpen de nauwkeurigheid van documentatie te verhogen.
Eigen bedrijfsdata blijven afgeschermd
Bij industriële AI speelt nog een ander probleem: intellectueel eigendom. CAD-modellen, prototypes, productieprocessen en onderzoeksdata behoren vaak tot de gevoeligste gegevens binnen een bedrijf.
Bassi waarschuwt daarom voor het zonder nadenken uploaden van bedrijfsinformatie naar algemene AI-diensten. Gebruikers moeten volgens hem goed begrijpen wat er volgens de gebruiksvoorwaarden met hun data mag gebeuren.
Dassault Systèmes kiest naar eigen zeggen voor een afgeschermde aanpak. Als een AI-model wordt verrijkt met bedrijfseigen data, blijft die data binnen de eigen IT-omgeving van de organisatie.
Daar koppelt Bassi een bredere verantwoordelijkheid aan. Dassault Systèmes ondersteunt al jaren digitale certificering in onder meer de auto- en luchtvaartindustrie, bijvoorbeeld met simulaties van crashtests.
“Waarom kan dat? Omdat Dassault Systèmes met zijn wetenschappelijke kennis instaat voor de tools die ze klanten bieden om vliegtuigen of auto’s te certificeren. Dat is contractueel vastgelegd.”
Volgens Bassi geldt hetzelfde uitgangspunt voor AI. Als klanten AI inzetten bovenop bestaande engineeringtools, moet het bedrijf verantwoordelijkheid blijven nemen voor de kwaliteit van die technische basis.
Dat geldt ook voor beveiliging. Bassi benadrukt dat modellen die met klantdata worden verrijkt binnen de eigen omgeving blijven.
“We garanderen dat we altijd op het hoogste niveau van de beschikbare beveiligingsprotocollen blijven”, zegt hij. “We helpen klanten intellectueel eigendom creëren, hun virtual twins maken en die intellectuele eigendom beschermen.”
De basiskennis van de Virtual Companions wordt volgens Bassi onder meer opgebouwd met synthetische data. Dassault Systèmes kan vanuit bestaande ontwerp- en simulatietechnologie grote aantallen virtuele varianten van constructies, mechanismen en materialen genereren.
“We creëren als het ware nep-landingsgestellen of componenten van plaatmateriaal of composiet”, legt hij uit. “We maken daar miljoenen varianten van en trainen de modellen op dingen die niet bestaan, maar wel zouden kunnen bestaan.”
Zo kan een model algemene industriële patronen leren zonder daarvoor een vertrouwelijk ontwerp van een klant nodig te hebben. Daarna kunnen simulatiemodellen een voorgestelde oplossing verder verfijnen en controleren.
Niet meer autonomie, maar meer overleg tussen AI’s
Voor de komende twee tot drie jaar verwacht Bassi niet dat engineering vooral richting volledig autonome AI gaat. Hij vindt orchestration een belangrijker begrip.
Een technische ontwerpbeslissing staat zelden op zichzelf. Een lichter onderdeel kan duurder zijn, een goedkoper materiaal minder duurzaam en een technisch beter ontwerp afhankelijk van onderdelen die slecht leverbaar zijn.
“Iedere technische beslissing, of het nu gaat over gewicht, weerstand of duurzaamheid, moet worden verbonden met zakelijke beperkingen zoals kosten, concurrentie en beschikbaarheid in de supply chain.”
Daar komt ook de volledige levensduur van een product bij. AI kan volgens hem uiteindelijk niet alleen meewegen hoe iets wordt geproduceerd, maar ook hoe het later kan worden onderhouden, hergebruikt of gerecycled.
Het doel is daarmee niet dat een engineer een chatbot vraagt om zelfstandig een ontwerpbeslissing te nemen. De AI moet bedrijfskennis verzamelen, engineeringtools bedienen, simulaties uitvoeren en andere gespecialiseerde agenten raadplegen voordat er een voorstel ligt.
De waarde zit volgens Bassi daarom niet in steeds meer autonomie, maar in een systeem dat steeds meer context kan meenemen voordat de mens de uiteindelijke beslissing neemt.
Meer weten over agentic AI in SOLIDWORKS?
Dassault Systèmes gaat in het webinar SOLIDWORKS in the Age of Agentic AI – A First Introduction verder in op de rol van agentic AI en Virtual Companions binnen SOLIDWORKS. Het webinar is via de website van SOLIDWORKS terug te kijken.
