Par Matthieu Poulain, Planète Ingénieur – 6 min de lecture
Rédigé avec l’aide d’une IA à partir de l’épisode et des sources citées, puis relu par Matthieu Poulain.
En 2024, un responsable américain a donné à Bloomberg un ordre de grandeur sur le programme Maven : environ 84 % d’identifications correctes pour les analystes humains de la 18th Airborne Corps, environ 60 % pour l’IA militaire. Sous la neige, ou sur de l’artillerie antiaérienne, le taux de l’IA peut tomber sous 30 %.
Un seul système, une seule unité, un chiffre rapporté par un responsable : il ne se généralise pas. Il montre pourtant que des algorithmes affinés sur les déserts du Moyen-Orient font bien moins bien ailleurs. Et que l’humain se trompe aussi.
La question utile : comment sait-on qu’une détection automatique est fiable ?
L’épisode complet est disponible ici :
Il existe aussi en podcast ingénieur sur Apple Podcasts, Spotify et Deezer.
Quelle différence entre l'IA militaire et ChatGPT ?
ChatGPT génère du texte à partir de texte. Les IA de défense dont parle cet épisode font autre chose : elles repèrent et classent des objets dans des images ou des signaux.
« IA militaire » ne désigne pas une technologie unique. Le CICR y range l’analyse d’images, l’aide à la décision, le cyber, la logistique et les armes. Côté français, l’AMIAD, l’agence ministérielle de l’IA de défense créée le 1er mai 2024, annonce 400 usages identifiés et un objectif de 300 recrutements d’ici fin 2026.
La frontière n’est pas étanche : des modèles génératifs servent aussi en défense, et des modèles multimodaux existent. Mais un modèle qui rédige une synthèse et un modèle qui entoure un véhicule d’un rectangle n’ont ni les mêmes erreurs ni les mêmes tests. Cet article suit le second.
Comment une IA militaire reconnaît-elle un véhicule sur une image ?
Un détecteur d’objets renvoie trois informations : où se trouve l’objet, de quelle classe il serait, et avec quel score.
Il apprend sur des images annotées à la main. Le jeu de données xView, publié en 2018, couvre plus d’un million d’objets sur plus de 1 400 km², à 0,3 m par pixel. Sa version distribuée par Ultralytics compte 847 images d’entraînement étiquetées. Un million d’objets ne couvre pas un million de situations.
Le test cache un piège. Si l’on découpe une même scène en tuiles voisines réparties au hasard entre entraînement et test, le modèle retrouve à l’examen des images quasi identiques à celles qu’il a vues. La mesure surestime sa capacité à généraliser. Il faut tester sur d’autres régions, d’autres périodes, d’autres capteurs.
« Un modèle capable de réussir son examen à l’entraînement n’a pas encore prouvé qu’il était prêt pour une mission. »
Matthieu Poulain, dans l’épisode
Et chaque capteur est une tâche à part. Un modèle entraîné sur des images optiques ne devient pas fiable sur des images radar, des signaux acoustiques ou électromagnétiques.
Que signifie le score de confiance d'une IA de détection ?
Un score de confiance mesure la certitude affichée par le modèle. Il ne donne la probabilité d’avoir raison que si le modèle a été calibré, puis vérifié sur des données comparables.
Une étude de Huseljic et coll., parue en 2025 chez Springer, a testé des détecteurs d’objets pré-entraînés. Leurs prédictions probabilistes sont en général de mauvaise qualité, et la calibration se dégrade quand les données changent. Réentraîner seulement la dernière couche du réseau l’améliore. L’étude porte sur des détecteurs génériques, pas sur des systèmes militaires.
Exemple fictif : 100 véhicules sont réellement présents, le système lance 80 alertes, 60 sont justes. Précision : 60 / 80 = 75 %. Rappel : 60 / 100 = 60 %. Soit 20 fausses alertes (faux positifs) et 40 véhicules manqués.
Reste à savoir ce que coûte chaque erreur. En surveillance, une alerte de trop se vérifie. En auto-protection ou pour l’emploi de la force, le compromis n’est plus le même. Et une moyenne masque les effondrements : 60 % en moyenne pour Maven, moins de 30 % sur certains objets.
Comment teste-t-on la fiabilité d'une IA de défense ?
On teste trois niveaux : le modèle, le système complet, les personnes qui l’utilisent. Le NIST américain l’a formalisé dans son manuel ARIA du 18 septembre 2026 : test du modèle, recherche de failles, test avec utilisateurs. C’est un cadre volontaire, pas une homologation militaire.
Les données sont le goulot. En février 2022, le GAO relevait pour les armes dotées d’IA un manque de données utilisables, l’intégration de systèmes hérités et un déficit de compétences. En 2023, l’armée de Terre française a lancé un appel pour détecter, reconnaître et identifier des personnes et véhicules amis, ennemis ou non belligérants, avec à la clé la collecte d’images représentatives.
Le travail continue après la livraison. Le NIST notait le 6 mars 2026 que la surveillance des systèmes déployés reste imparfaite. Le Comité d’éthique de la défense demande de refaire des essais après chaque évolution et de vérifier, en conditions dégradées, que les opérateurs savent reconnaître une dégradation.
Une IA militaire peut-elle décider seule d'une frappe ?
Une détection ne déclenche pas une frappe par elle-même. Un système est dit autonome, au sens du CICR, quand il sélectionne et attaque une cible après activation, sans nouvelle intervention humaine. Il peut très bien fonctionner sans IA, avec des règles déterministes.
L’humain dans la boucle ne suffit pas s’il n’a ni le temps ni les informations. Le CICR décrit le risque d’automation bias : sous pression ou contrainte de temps, on valide la sortie de la machine sans exercer son propre jugement. Il ajoute que ces systèmes peuvent amplifier la vitesse et l’échelle des erreurs.
Le Patriot du 22 mars 2003 le montre sans réseau de neurones. Selon le résumé d’accident du ministère britannique de la Défense (mai 2004), l’équipage avait environ une minute pour décider et était formé à réagir vite et à faire confiance au système. Faute de moyens de communication encore en transit, il n’avait pas l’image complète de l’espace aérien.
Côté droit, l’article 2(3) du règlement européen sur l’IA exclut les systèmes à usage exclusivement militaire. Le droit international humanitaire, lui, continue de s’appliquer. Et l’article 36 du Protocole additionnel I impose aux États parties un examen de licéité des armes nouvelles. Cet examen vise l’arme, pas une certification du modèle.
Bien conçue, l’aide IA peut aussi servir. Le CICR admet qu’elle puisse, dans certains cas, réduire les risques pour les civils, par exemple en synthétisant plus vite des informations sur leur présence, à condition de données de qualité. Il constate aussi que, dans plusieurs conflits actuels, les technologies les plus sophistiquées n’ont pas apporté de meilleurs résultats aux civils.
Pourquoi cet épisode compte
Pour un ingénieur, un dirigeant ou un fondateur, un pourcentage ne vaut que par son protocole : quelles données, quelles conditions, quel coût d’erreur. Je pense que cette question séparera les démonstrations de laboratoire des IA militaires que des armées peuvent acheter. Pour une deeptech française qui vend de l’IA de défense, la preuve de robustesse pèse autant que le modèle. Le Titan de la semaine avec Safran.AI prolonge ce point côté industriel [À VÉRIFIER : sortie du Titan et graphie « Safran.AI » ou « Safran AI »].
Vous dirigez une entreprise industrielle ou deeptech. Votre technologie est supérieure. Mais vos cycles de vente sont trop longs, vos postes restent ouverts, vos investisseurs ne comprennent pas ce que vous faites.
C'est un problème de visibilité.
Chez Planète Ingénieur, on travaille avec des dirigeants industriels et deeptech pour rendre leur expertise lisible par ceux qui comptent - clients, talents, investisseurs - avec du contenu structuré.
Pas prêt pour un rendez-vous ? Faites le diagnostic en 4 minutes
À propos de Planète Ingénieur
Planète Ingénieur, c’est le média qui rend les industriels visibles. Plus de 100 interviews de dirigeants, fondateurs et experts de l’industrie et de la deeptech française, suivies par 58 660 abonnés sur YouTube et 18 991 sur LinkedIn, fin septembre 2026.
Vous êtes dirigeant industriel ou fondateur deeptech et vous voulez partager votre vision ? Vous voulez associer votre marque à nos contenus ? Contactez Matthieu Poulain directement sur LinkedIn.
Épisodes à découvrir
En partenariat avec

Cet épisode est réalisé avec le soutien de Randstad Professional, partenaire de Planète Ingénieur, qui accompagne les entreprises dans le recrutement des talents de l'ingénierie et de l'industrie. Partenariat rémunéré
Épisodes à découvrir

Ariane 6 face à SpaceX : la bataille du modèle industriel
Réutilisation, cadence, demande et financement : les conditions industrielles qui détermineront la compétitivité d’Ariane 6 face à SpaceX.

Spatial et écologie : le plan qui va bouleverser l’avenir
Laurence Monnoyer-Smith (directrice développement durable au CNES) explique comment l'industrie spatiale peut aider à lutter contre le changement…

Safran.AI : l’IA de défense qui choisit ses dépendances
François Bourrier-Soifer (Safran.AI) explique ce que fait l'IA de défense, son intégration à Maven OTAN et sa doctrine…
