Dassault DSL Assistant
Agent IA qui génère des scripts dans un langage de scripting propriétaire utilisé par les clients d'un grand éditeur de logiciels industriels. Une tâche autrefois réservée aux experts, accomplie en quelques minutes plutôt qu'en plusieurs semaines.
Contexte
Dassault Systèmes édite des plateformes logicielles industrielles utilisées par des milliers d'entreprises dans le monde — CATIA pour la conception 3D, ENOVIA pour la gestion du cycle de vie produit. Au sein de ces plateformes, les clients peuvent écrire des scripts dans un langage de programmation propriétaire pour automatiser des processus métier : générer des nomenclatures automatiquement, valider des configurations produit, déclencher des workflows sur mesure. Ces scripts sont un outil puissant — mais jusqu'ici réservé à des spécialistes, après des semaines de formation.
Problème
Ce langage de scripting est entièrement propriétaire — aucun modèle de langage ne l'a jamais vu à l'entraînement. Et sa documentation n'existait pas sous une forme utilisable : elle était dispersée entre des fichiers XML internes, des dumps de bases de données et des sources hétérogènes du datalake interne, jamais consolidées en un seul endroit. Pour un développeur expérimenté, apprendre ce langage et écrire le premier script utile demandait plusieurs semaines : trouver la bonne documentation, comprendre la syntaxe, tester, corriger. Pour les équipes client non-techniques, c'était simplement hors de portée.
Approche
Avant même de toucher à l'IA, il a fallu reconstruire la documentation depuis zéro. Une pipeline ETL complète extrait, normalise et fusionne des sources hétérogènes (fichiers XML, dumps de bases de données, parsing regex) pour reconstituer une documentation cohérente. Cette documentation est ensuite structurée en graphe RDF — une représentation formelle des connaissances qui permet au moteur RAG de raisonner sur les relations entre concepts, pas seulement de retrouver des passages. Sur cette base, un agent LangGraph orchestre la génération : l'utilisateur décrit son besoin en langage naturel, l'agent retrouve la documentation pertinente, génère le script, vérifie la syntaxe automatiquement et corrige si nécessaire. Contrainte forte : tout tourne sur des modèles MoE open-source légers, sans fine-tuning et sans données propriétaires envoyées à l'extérieur — une exigence non-négociable en contexte R&D industriel.
Impact
Ce qui prenait plusieurs semaines — apprentissage du langage, formation des équipes, développement du script — se fait désormais en quelques minutes. Un utilisateur sans expertise technique décrit son besoin en langage naturel et reçoit un script fonctionnel, prêt à être relu. Les clients peuvent désormais se déployer de façon autonome, sans formation préalable ni support dédié. Réduction estimée à 80 % du temps consacré à la scripting.