Le plan du futur : exploiter l'IA, l'automatisation et la mécatronique pour un bond en avant révolutionnaire
Voici un scénario qui mérite réflexion. Vous êtes ingénieur en mécanique chez un fournisseur automobile de rang 1 de taille moyenne. Vous avez passé une décennie à maîtriser l'analyse par éléments finis (FEA), le tolérancement GD&T et la modélisation d'assemblage sur SolidWorks. Vous êtes réellement compétent dans votre travail. Puis, la direction commence à demander pourquoi la nouvelle équipe dédiée aux groupes motopropulseurs électrifiés a besoin de l'équipe des systèmes embarqués, de l'équipe de contrôle et de vous-même dans la même pièce pour chaque revue de conception. Deux ans plus tard, l'offre d'emploi pour vous remplacer mentionne le développement de micrologiciels en C++, l'intégration du bus CAN et une expérience de la pile de navigation ROS2, en plus des qualifications mécaniques. Personne n'a convoqué de réunion pour annoncer ce changement. C'est simplement arrivé.
Cette convergence silencieuse est le véritable sujet de cette analyse. Il ne s'agit pas de la peur abstraite des robots qui prendraient nos emplois, mais de la restructuration concrète et mesurable de ce que signifie la compétence en ingénierie en 2025 et au-delà, et de ce que cela implique pour votre trajectoire de carrière, vos décisions de recrutement et la main-d'œuvre qui vous entoure.
Partie 1 : La vue d'ensemble — Des tâches, pas des emplois
Le chiffre phare qui circule dans toutes les discussions sur l'IA dans les conseils d'administration est l'estimation du McKinsey Global Institute selon laquelle environ 57 % de toutes les heures de travail aux États-Unis présentent un potentiel technique d'automatisation grâce à la technologie actuelle. Ce chiffre semble alarmant jusqu'à ce que l'on lise la méthodologie. Les 57 % représentent des tâches automatisables réparties entre les professions, et non 57 % des emplois qui s'évaporent simultanément. Le rôle d'un inspecteur qualité dans la fabrication pourrait consister à 40 % en une détection visuelle des défauts (hautement automatisable avec la vision par ordinateur moderne) et à 60 % en communication avec les fournisseurs, en escalade de processus et en collaboration sur les causes profondes. Automatisez la première moitié et vous avez transformé le rôle, sans pour autant éliminer le travailleur.
Le cadre économique est important car il change radicalement la réponse stratégique. McKinsey prévoit que la collaboration homme-machine dans la seule industrie américaine pourrait générer 2 900 milliards de dollars de valeur économique annuelle d'ici 2030. Ce chiffre n'est pas généré par le remplacement massif des humains. Il est généré par la refonte des flux de travail à partir des principes fondamentaux, afin que l'IA gère la reconnaissance des formes et le débit de données à la vitesse de la machine, tandis que les travailleurs humains se concentrent sur le raisonnement au niveau du système, la gestion des exceptions et les décisions nécessitant un jugement contextuel.
Le Forum économique mondial propose une évaluation équilibrée en reconnaissant les perturbations des deux côtés de l'équation. Environ 85 millions de postes dans le monde sont menacés de déplacement en raison de la redistribution des tâches induite par l'automatisation. Parallèlement, 97 millions de nouveaux rôles mieux adaptés au modèle de collaboration homme-machine devraient émerger. Le bilan net est positif. La friction liée à la transition est réelle. Un analyste judiciaire en IA enquêtant sur les biais algorithmiques dans un système d'optimisation logistique n'existait pas en tant que catégorie d'emploi il y a cinq ans. Un ingénieur de terrain dont le rôle principal est d'intégrer des agents de raisonnement basés sur des LLM dans les systèmes d'exécution manufacturière (MES) existants ne figurait dans aucun guide d'orientation professionnelle il y a dix ans. Ces rôles existent maintenant, et ils recrutent.
Le ralentissement plus large des embauches dans les économies avancées depuis 2022 est une histoire macroéconomique, et non une histoire de destruction par l'IA. Le resserrement de la politique monétaire, la compression des cycles d'investissement en capital-risque et la hausse du coût du capital ont entraîné la majorité des réductions d'effectifs dans le secteur technologique spécifiquement. Une enquête de 2025 auprès des travailleurs techniques et d'ingénierie australiens a révélé que 63 % considèrent l'automatisation comme un avantage net pour leur trajectoire de carrière, et 60 % sont activement disposés à participer à des programmes de reconversion menés par l'employeur. L'appétit pour l'adaptation est là. Malgré cela, l'infrastructure sous-jacente reste tristement obsolète.
Partie 2 : L'ingénieur mécatronicien « full-stack » — Un rôle, cinq disciplines
Le recrutement traditionnel en ingénierie fonctionnait autrefois en silos verticaux étanches. La mécanique pour les postes mécaniques. L'électrique pour les postes électriques. Le logiciel pour les postes logiciels. Chaque discipline avait sa propre échelle de carrière, sa propre chaîne d'outils et sa propre structure de reporting organisationnel. Ce modèle avait un sens organisationnel lorsque les produits étaient principalement mécaniques avec des composants électroniques ajoutés. Il n'a presque plus aucun sens lorsque le produit est un système autonome défini par logiciel où l'architecture du micrologiciel affecte les performances thermiques, ce qui affecte la durée de vie en fatigue mécanique, ce qui affecte la géométrie du placement des capteurs.
En tant que spécialiste clé, l'ingénieur mécatronicien propose des solutions sur mesure pour relever les défis d'intégration spécifiques posés. Il ne s'agit pas d'un généraliste qui connaît un peu de tout, mais d'un spécialiste de l'intégration système qui possède suffisamment de profondeur dans chaque discipline contributrice pour raisonner sur les interactions interdomaines sans avoir besoin d'un traducteur à chaque interface interdisciplinaire. C'est un profil difficile à recruter et encore plus difficile à développer, ce qui explique précisément pourquoi la prime de marché pour cette compétence ne cesse d'augmenter.
À quoi ressemble réellement la pile de compétences
En commençant par les bases mécaniques : SolidWorks et NX pour la CAO paramétrique, oui, mais plus crucialement, la capacité à raisonner sur les tolérances de fabrication, les contraintes des systèmes de mouvement et les limites mécaniques de précision en tant qu'entrées de conception plutôt qu'en tant qu'ajouts après coup. Les ingénieurs qui comprennent qu'une tolérance de faux-rond de 5 microns sur un arbre moteur n'est pas juste une indication sur un dessin, mais une contrainte qui se répercute directement sur les exigences de résolution de l'encodeur et les décisions de bande passante PID en boucle fermée, sont ceux qui évitent les itérations de conception coûteuses en fin de projet.
La compétence en électronique et en matériel signifie plus que la lecture de schémas. Elle couvre la disposition des circuits imprimés (PCB) pour l'intégrité du signal, la compréhension des implications de la compatibilité électromagnétique (CEM) du placement des alimentations à découpage par rapport aux traces des capteurs analogiques, la sélection des pilotes d'actionneurs appropriés avec les bonnes intensités nominales, et la capacité à sonder un signal avec un oscilloscope à 2 heures du matin lorsque le pilote moteur se comporte mal en production. Déboguer le matériel sur le site de production est une compétence différente de celle de le concevoir sur un poste de travail. Les deux sont importantes.
Côté logiciel et contrôle, l'attente de base pour la plupart des rôles en mécatronique industrielle et en robotique inclut désormais le C ou C++ embarqué pour le micrologiciel au niveau du microcontrôleur, Python pour la modélisation au niveau système et l'automatisation des tests, le réglage des contrôleurs PID à partir des principes fondamentaux, et la familiarité avec les concepts de systèmes d'exploitation en temps réel (RTOS). Les ingénieurs rejoignant des équipes de robotique sont de plus en plus amenés à travailler au sein d'écosystèmes ROS2, à comprendre l'architecture des nœuds éditeur-abonné, et à être capables d'écrire et de déboguer des fichiers de lancement sans qu'un ingénieur logiciel dédié ne les accompagne à chaque étape de l'intégration.
La couche de réflexion au niveau système est ce qui sépare véritablement les ingénieurs capables d'intégrer ces disciplines de ceux qui ne le peuvent pas. C'est la capacité à maintenir simultanément en mémoire de travail les forces mécaniques, les chaînes de signaux électroniques et les boucles de contrôle logiciel, et à retracer comment un changement dans un domaine propage des conséquences dans les autres. On ne peut pas enseigner cela uniquement dans une salle de classe. Cela se développe grâce à l'expérience de projets sur des systèmes suffisamment complexes pour présenter ces interactions interdomaines.
Où se situe la demande du marché
Les rôles d'ingénierie mécanique et mécatronique aux États-Unis augmentent d'environ 9 % par an, bien au-dessus de la moyenne nationale des professions, avec des salaires médians dépassant 102 000 $ par an pour les ingénieurs expérimentés. Au Canada, les projections du marché du travail signalent des conditions de pénurie modérée au cours de la prochaine décennie dans cette catégorie. Le cycle d'investissement dans les usines intelligentes et les véhicules électriques en Inde génère une demande explosive au niveau des ingénieurs expérimentés, les ingénieurs mécatroniciens seniors pouvant atteindre jusqu'à 3,8 millions de roupies par an dans les pôles d'automatisation industrielle.
Le signal public le plus clair de ce que les employeurs de premier plan veulent réellement provient de leurs offres d'emploi. Le programme de robot humanoïde Optimus de Tesla exige une maîtrise du C++, une expérience de l'analyse des systèmes linéaires, des connaissances en dynamique de locomotion bipède et une estimation d'état utilisant des IMU et des capteurs de force-couple à six axes. Les rôles d'ingénierie mécatronique d'Apple pour le développement de produits de détection exigent une compétence approfondie en prototypage, une conception de systèmes de contrôle moteur et une appropriation de projet interfonctionnel, de la conception à la montée en cadence de la production. Aucune de ces entreprises ne décrit un rôle étroitement spécialisé. Toutes deux décrivent des ingénieurs capables de garder le système complet en vue simultanément.
Partie 3 : Jumeaux numériques et l'impératif du « Shift-Left »
Le terme « jumeau numérique » est utilisé de manière suffisamment vague pour avoir commencé à perdre de sa précision dans les contextes marketing. Il vaut la peine de restaurer cette précision. Un véritable jumeau numérique n'est pas un modèle CAO 3D statique assis sur un serveur. C'est un modèle de système virtuel mis à jour dynamiquement qui ingère en continu la télémétrie en direct provenant de capteurs IoT intégrés dans son homologue physique, reproduit les conditions de fonctionnement réelles en simulation et permet une analyse prédictive sur la dégradation, la probabilité de défaillance et la planification de la maintenance. Le mot clé est « en direct ». Sans le flux continu de données des capteurs, ce n'est qu'un modèle.
Sur le plan architectural, les jumeaux numériques se divisent en deux paradigmes principaux. Les jumeaux basés sur la physique construisent la simulation à partir d'équations fondamentales établies : mécanique structurelle, thermodynamique, dynamique des fluides et théorie des champs électromagnétiques. Ils fonctionnent extrêmement bien pour des machines prévisibles et bien caractérisées opérant dans des conditions comprises. Les jumeaux hybrides basés sur les données superposent l'apprentissage profond et les données opérationnelles historiques sur la base physique pour capturer des modèles de comportement complexes et multivariables que les équations de principes fondamentaux seules ne peuvent pas représenter de manière fiable. La plupart des implémentations industrielles sérieuses utilisent les deux en combinaison, déployant des modèles basés sur la physique là où les équations fondamentales sont bien comprises et des approches hybrides basées sur les données là où la complexité du système dépasse la tractabilité analytique simple.
Déploiements réels dignes d'étude
General Electric utilise des jumeaux numériques pour les assemblages d'aubes de ventilateur des moteurs d'avion GE90. Le jumeau intègre des données d'exposition environnementale — taux d'ingestion de sable, historique des cycles thermiques, profils d'altitude de fonctionnement — pour modéliser la dégradation de la surface des aubes et prédire les intervalles de maintenance avec suffisamment de précision pour passer d'une maintenance basée sur le calendrier à une maintenance basée sur l'état. La conséquence économique est mesurable : moins de démontages inutiles et moins de pannes surprises sur le terrain.
Tesla maintient des jumeaux numériques synchronisés dans le cloud sur l'ensemble de sa flotte de véhicules. Des diagnostics pilotés par l'IA sont exécutés à distance sur chaque jumeau de véhicule, permettant aux mises à jour logicielles par liaison radio (OTA) d'être ajustées à des profils climatiques et des modèles de fonctionnement régionaux spécifiques avant le déploiement. En sport automobile, l'équipe d'ingénierie de course de McLaren exécute des centaines de simulations de course par week-end en utilisant la télémétrie en direct du muret des stands, en intégrant les paramètres mis à jour du modèle de véhicule dans des routines d'optimisation du temps au tour qui informent directement les décisions stratégiques de timing des arrêts aux stands. Ce ne sont pas des projets de recherche. Ce sont des infrastructures opérationnelles compétitives.
Les applications de santé poussent le concept vers un territoire vraiment différent. Le « Living Heart » de SIMULIA (Dassault Systèmes) est un jumeau computationnel de l'anatomie cardiaque humaine, construit à partir de données d'imagerie des patients et régi par des modèles de physiologie électromécanique. Les développeurs de dispositifs cardiovasculaires l'utilisent pour simuler l'interaction du dispositif avec des géométries anatomiques spécifiques au patient, réduisant le nombre d'essais physiques sur banc et d'essais sur animaux requis avant l'évaluation clinique humaine.
Pourquoi le « Shift-Left » n'est pas qu'un mot à la mode
Le « Shift-Left » (décalage vers la gauche) signifie avancer la vérification de la conception, les tests d'intégration et l'analyse des modes de défaillance plus tôt dans le cycle de développement. Beaucoup plus tôt. Lorsqu'un produit est principalement mécanique, la séquence traditionnelle « construire-tester-itérer » est coûteuse mais gérable. Lorsque le micrologiciel, les algorithmes de contrôle, les pipelines de fusion de capteurs et la géométrie mécanique sont tous interdépendants dès le départ, découvrir un conflit d'intégration fondamental au stade du prototype physique représente un retard de programme de plusieurs mois et une facture de retouche à six chiffres.
L'ingénierie système basée sur les modèles (MBSE) est la méthodologie qui opérationnalise le « shift-left ». Le MBSE remplace les documents Word et les trackers d'exigences Excel déconnectés par un modèle système unifié et contrôlé en version qui capture les exigences, la décomposition architecturale, les définitions d'interface et le statut de vérification dans une source unique faisant autorité. En partant des exigences au niveau système, les ingénieurs cartographient explicitement les interactions entre les domaines mécanique, électrique et logiciel avant même que tout travail de conception ne commence. Les outils d'IA de conception générative intégrés dans ce flux de travail peuvent explorer des milliers de permutations de conception par rapport à des ensembles de contraintes réelles — budgets de masse, limites d'élasticité des matériaux, objectifs de coût — dans le temps qu'il faudrait à un seul ingénieur pour évaluer manuellement une poignée d'options. Le filtre est beaucoup plus fin. L'espace de conception est beaucoup plus large. Et les erreurs d'intégration sont détectées dans le modèle, pas sur le site de production.
Partie 4 : Le fossé entre le milieu universitaire et l'industrie est réel et mesurable
Chaque responsable du recrutement pour un rôle d'ingénierie mécatronique ou système a vécu la même expérience. Vous interviewez un candidat avec un solide dossier académique provenant d'une école d'ingénieurs respectée, vous lui demandez d'expliquer comment il concevrait un système de contrôle moteur en boucle fermée, de la sélection des capteurs au réglage PID en passant par l'implémentation embarquée, et vous découvrez que la préparation académique ne couvrait pas réellement toute la chaîne. Non pas parce que le candidat n'est pas suffisamment intelligent, mais parce que le programme enseignait les composants dans des cours séparés avec des instructeurs séparés, des chaînes d'outils séparées et aucun projet intégrateur exigeant qu'ils fonctionnent tous ensemble simultanément.
Le problème structurel a été identifié par l'Université d'État du Colorado, ce qui a incité une restructuration évolutive de leur programme d'ingénierie mécanique pour intégrer les systèmes embarqués, les modules de microcontrôleurs et les circuits autonomes dans un programme cohérent qui s'applique aux applications de systèmes mécaniques réels dès le départ. La filière mécatronique de l'ingénierie multidisciplinaire (MXET) de Texas A&M adopte une approche transfrontalière plus agressive, imposant des cours qui combinent la science des matériaux métalliques, l'analyse de circuits, la mécanique des fluides, l'électronique analogique et la robotique industrielle au sein de la même structure de programme, aboutissant à des projets de fin d'études qui exigent que tout fonctionne ensemble.
Le programme ECR: PEER de la NSF finance une collaboration directe entre les professeurs d'université, les concepteurs de programmes scolaires K-12 et les partenaires industriels, dont Boeing et Siemens, pour aligner la sélection des outils éducatifs sur la réalité industrielle. Des microcontrôleurs abordables comme la famille STM32 et Raspberry Pi, l'impression 3D FDM pour le prototypage mécanique rapide et les environnements de formation à l'assemblage basés sur la VR sont tous intégrés dans les parcours STEM pré-universitaires. L'objectif est de raccourcir la courbe d'acclimatation entre l'obtention du diplôme et la contribution productive à l'industrie. Le succès dépendra de la rapidité avec laquelle l'industrie validera l'approche par les résultats de recrutement, et pas seulement par la participation à des ateliers.
L'expertise technique joue un rôle crucial pour obtenir un entretien sur la dimension communication. La compétence en communication interfonctionnelle détermine si le candidat accède à des postes de direction en ingénierie. Les ingénieurs qui construisent leur carrière sont systématiquement ceux qui peuvent traduire une limitation de bande passante de contrôleur en une conversation sur les risques de lancement de produit avec un chef de programme qui n'a jamais écrit une ligne de code, et simultanément convertir une contrainte de calendrier commercial en une décision technique explicite de compromis que l'équipe d'ingénierie peut exécuter. Ce sont des compétences qui s'apprennent. Elles ne se développent pas automatiquement par le biais de cours techniques, et la plupart des programmes d'ingénierie consacrent un temps formel minimal à leur développement.
Partie 5 : Dynamiques mondiales du travail et ingénierie de l'équité
Selon le Forum économique mondial, il y a eu un changement significatif de 40 % dans les compétences requises pour les emplois sur la période de cinq ans allant de 2016 à 2023. Avec l'IA générative désormais largement accessible, ce chiffre devrait atteindre 71 % d'ici 2030. Une réinitialisation des compétences de 71 % en sept ans n'est pas un ajustement graduel du marché du travail. C'est une discontinuité structurelle. Certaines régions et certains groupes démographiques sont positionnés pour la naviguer avec une stabilité relative. D'autres font face à une exposition concentrée au déplacement sans accès équivalent à l'opportunité émergente.
D'ici 2025 et 2026, les modèles de recrutement mondiaux montrent une divergence géographique claire plutôt qu'une contraction uniforme. Les économies occidentales avancées ont enregistré des baisses de volume d'embauche de 20 % à 35 % par rapport aux niveaux pré-pandémiques, principalement dues aux contraintes de disponibilité du capital et aux environnements de taux d'intérêt plutôt qu'à la réduction des effectifs induite par l'automatisation. Parallèlement, l'Inde a enregistré une augmentation du volume d'embauche de 40 % sur la même période de comparaison, portée par des investissements substantiels dans la fabrication intelligente, le développement de groupes motopropulseurs pour véhicules électriques et les services logiciels. Les Émirats arabes unis se développent également en tant que destination pour les talents en ingénierie transfrontalière. L'opportunité ne disparaît pas. Elle se redistribue.
La dimension sexospécifique de la perturbation
La perturbation ne touche pas uniformément tous les groupes démographiques, et la dimension sexospécifique de ce phénomène est bien documentée mais sous-rapportée dans la plupart des couvertures médiatiques de l'industrie de l'ingénierie. Les recherches de LinkedIn et de l'Organisation internationale du travail classent les emplois en trois bandes d'impact de l'IA. Les rôles isolés reposent fortement sur la présence physique humaine, les compétences tactiles ou la réactivité émotionnelle : soins infirmiers, métiers spécialisés et opérations d'assemblage complexes. Les rôles augmentés impliquent un traitement important des données et une reconnaissance des formes que l'IA gère efficacement, laissant aux humains le soin d'effectuer l'interprétation stratégique, le raisonnement sur les exceptions et les décisions en contact avec les clients : l'analyse de données, le conseil financier et la conception technique entrent dans cette catégorie. Les rôles perturbés reposent principalement sur des tâches que l'IA peut reproduire à moindre coût : traitement de documents, traduction, coordination administrative et travail juridique routinier.
Les femmes sont statistiquement surreprésentées dans la catégorie perturbée. En Inde, 80 % des femmes employées occupent des rôles présentant une forte susceptibilité à la substitution ou à l'augmentation par l'IA générative, contre 75 % des hommes. L'écart est plus étroit que ce que suggère parfois le récit médiatique, mais la directionnalité est cohérente à travers les zones géographiques. Plus important encore, lorsque les travailleurs quittent des rôles perturbés, les hommes sont statistiquement plus susceptibles de passer vers des rôles augmentés. Les femmes sont plus susceptibles de passer latéralement vers des professions tout aussi perturbées, avec des périodes de réemploi plus longues aggravant le désavantage économique cumulé.
L'écart de représentation des compétences techniques dans les domaines adjacents à l'IA est également documenté et tout aussi nuancé. À l'échelle mondiale, les hommes sont environ deux fois plus susceptibles que les femmes d'énumérer explicitement des compétences en ingénierie IA sur leurs profils professionnels. Une partie de cet écart reflète des différences réelles d'accès et de représentation dans les filières d'enseignement technique. Une partie mesurable, cependant, reflète un comportement différent d'auto-déclaration. Des études examinant des professionnels occupant des rôles identiques au sein des mêmes organisations constatent que les femmes sous-représentent systématiquement leurs compétences techniques pointues sur leurs profils professionnels par rapport à leurs pairs masculins, tout en représentant avec précision ou en sur-représentant légèrement les capacités de leadership interfonctionnel et de communication. L'écart de capacité et l'écart de visibilité ne sont pas identiques, et les confondre conduit à des conclusions politiques incorrectes.
Considérer le recrutement basé sur les compétences comme un problème d'ingénierie nécessite une approche systématique pour identifier et mesurer les compétences les plus pertinentes pour chaque rôle.
Les processus de recrutement traditionnels sont optimisés pour le filtrage des diplômes : domaines d'études spécifiques, marqueurs de prestige institutionnel spécifiques, lignées de titres de poste spécifiques. Ce filtrage est informatiquement peu coûteux pour les recruteurs et désavantage systématiquement les candidats dont les compétences ont été développées par des voies non traditionnelles. Il est également fortement corrélé à des résultats démographiques qui exacerbent les écarts de représentation existants, car le pipeline des diplômes lui-même comporte des concentrations démographiques héritées.
Le recrutement basé sur les compétences évalue les candidats par rapport à des compétences démontrées directement, en utilisant des évaluations techniques structurées, des revues de portfolio et des évaluations basées sur des scénarios. Les preuves de l'impact sur les résultats sont solides. La modélisation du marché du travail mondial suggère qu'une transition cohérente vers des critères d'évaluation axés sur les compétences pourrait générer une augmentation de 13 % de la représentation féminine dans les industries techniques actuellement caractérisées par une grave sous-représentation. Cette quantité est substantielle. En termes absolus au sein d'une grande organisation technique, cela représente un changement significatif dans la composition et la diversité de résolution de problèmes des équipes d'ingénierie.
Les interventions politiques requises autour de cela ne sont pas purement organisationnelles. L'investissement public dans des programmes de perfectionnement ciblés pour les travailleurs occupant des rôles administratifs et de bureau à forte exposition, des cadres obligatoires d'évaluation de l'impact sur le genre pour les déploiements d'IA à grande échelle et l'intégration universelle de la littératie en IA dans les programmes d'enseignement secondaire sont tous des leviers qui ont fait leurs preuves. Les organisations qui souhaitent recruter dans le bassin de compétences le plus large possible ont un intérêt personnel immédiat à construire ces pipelines, plutôt que d'attendre simplement qu'ils se matérialisent.
La forme réelle de ce qui vient ensuite
La mécanique de cette transition n'est pas particulièrement mystérieuse pour quiconque a passé du temps dans l'ingénierie système ou l'automatisation industrielle. Vous identifiez les exigences du système. Vous cartographiez les capacités des composants par rapport à ces exigences. Vous trouvez les lacunes. Vous comblez les lacunes par des changements de conception, des changements de matériaux ou des changements de processus. Le même cadre analytique s'applique ici. Le système est la main-d'œuvre en ingénierie. Les profils d'exigences techniques de l'Industrie 4.0 décrivent les capacités nécessaires pour répondre à ses demandes. Les lacunes se situent dans les pipelines d'éducation, les pratiques de recrutement et l'accès démographique aux voies de développement technique. Les changements de conception sont bien identifiés.
Ce qui rend cette période vraiment distincte, c'est le taux de changement dans la spécification des exigences. Lorsque le profil de compétences requis pour un rôle d'ingénierie de production change de 71 % en sept ans, l'hypothèse standard selon laquelle un diplôme de quatre ans reste actuel tout au long d'une carrière de 35 ans s'effondre complètement. L'apprentissage continu n'est pas une amélioration de carrière optionnelle à ce stade. C'est une exigence opérationnelle de base, à peu près équivalente au maintien de l'étalonnage sur l'équipement de mesure. L'équipement qui perd son étalonnage ne tombe pas en panne immédiatement. Il vous donne des résultats incorrects en silence jusqu'à ce que quelqu'un effectue une vérification de référence.
Les ingénieurs qui construiront les systèmes qui définiront la prochaine décennie de capacité industrielle sont ceux qui traitent leur propre développement technique avec la même rigueur qu'ils appliqueraient à tout autre système devant rester dans les spécifications.