En 2024, la National Geospatial-Intelligence Agency a distribué plus de 325 millions d’images commerciales à travers son service G-EGD, accessible à plus de 400 000 utilisateurs. Devant le Congrès en mai 2025, son directeur indiquait aussi que NGA Maven comptait plus de 20 000 utilisateurs au sein de plus de 35 outils militaires, et qu’un exercice avait réduit jusqu’à 80 % le délai d’un flux de ciblage. Ces chiffres sont des déclarations officielles sur l’activité et un cas d’exercice ; ils ne mesurent ni le taux général d’erreur ni l’efficacité de toutes les opérations.
Le paradoxe de l’IMINT est désormais l’abondance. La NGA estime que le volume de données GEOINT pourrait tripler avec les programmes publics et commerciaux. L’IA devient nécessaire pour repérer les changements et orienter l’analyste, tandis que les images partageables abaissent le niveau de classification de certaines alertes. Pourtant, la doctrine de l’OTAN conserve une règle simple : une image n’est pas en elle-même du renseignement. Il faut la sélectionner, l’exploiter, vérifier son origine et la relier à une question.
Quatre repères pour lire l’image de renseignement
- IMINT : renseignement produit par l’exploitation d’images ou de séquences issues de capteurs terrestres, maritimes, aériens ou spatiaux.
- GEOINT : ensemble plus large qui combine imagerie, renseignement image et informations géospatiales.
- Échelle : plus de 325 millions d’images commerciales livrées par la NGA en 2024 à travers G-EGD.
- Limite : voir un objet établit une présence probable, pas nécessairement son identité, son intention ou son emploi futur.
L’image réduit le déni sur ce qui est visible ; elle ne supprime pas le désaccord sur ce que ce visible signifie.
Analyse GeopoloUne image ne devient utile qu’avec son heure, son lieu et sa question
L’IMINT commence avant la photographie. Un gestionnaire formule un besoin, choisit un capteur et une fenêtre de collecte, puis l’image doit être reçue, corrigée, géolocalisée et comparée. Les systèmes optiques donnent une lecture intuitive mais dépendent de la lumière et des nuages ; l’infrarouge révèle des différences thermiques ; le radar à synthèse d’ouverture peut observer de nuit et à travers la couverture nuageuse, au prix d’une interprétation moins immédiate. Une résolution fine ne compense pas une revisite trop lente, et une revisite fréquente ne compense pas un mauvais angle. L’analyste doit donc connaître les conditions de capture autant que le contenu visible.
Les métadonnées déterminent ce que l’on peut affirmer. L’heure, la géométrie du capteur, la précision de position, le traitement appliqué et la chaîne de conservation permettent de comparer deux prises et de mesurer un changement. Sans elles, un bâtiment détruit peut être réel mais photographié des mois plus tôt, un convoi peut être attribué au mauvais lieu et une ombre devenir un objet. Le passage à la GEOINT ajoute terrain, réseaux, météo, activités antérieures et autres disciplines. Cette fusion peut expliquer où et quand une activité se produit ; elle ne révèle pas automatiquement pourquoi. L’image documente une configuration physique, tandis que l’intention exige souvent signaux, documents ou sources humaines.
Maven réduit le délai, mais déplace l’erreur vers la détection
La croissance du volume rend impossible une lecture exhaustive par des équipes humaines. NGA Maven utilise la vision par ordinateur pour détecter, identifier et caractériser des objets dans les images et vidéos, puis orienter les analystes vers les séquences pertinentes. En 2025, l’agence déclarait que le programme avait produit des millions d’étiquettes et alimentait plusieurs plateformes ; devant le Congrès, elle avançait plus de 20 000 utilisateurs et un délai réduit jusqu’à 80 % dans un exercice de ciblage. Ces résultats prouvent une intégration et un gain local de vitesse. Ils ne donnent pas le taux de faux positifs par catégorie, la performance face à un objet nouveau ni la part exacte du gain attribuable au modèle plutôt qu’à la réorganisation du flux.
Le modèle apprend sur des exemples annotés. Si les images d’entraînement représentent surtout certains véhicules, terrains, saisons ou capteurs, la performance peut chuter lorsque l’environnement change. Un filet de camouflage, une silhouette modifiée, une végétation différente ou une compression forte déplacent l’objet hors de la distribution apprise. L’adversaire peut aussi exhiber des leurres ressemblant à ce que l’algorithme recherche. L’automatisation ne supprime alors pas la charge humaine : elle la déplace vers la validation des alertes, l’analyse des cas atypiques et la mise à jour des modèles. Un taux d’exactitude global masque ce problème si les erreurs se concentrent précisément sur les objets rares qui comptent le plus.
L’image commerciale accélère le partage et crée une dépendance
Une image non classifiée peut circuler vers un allié, un service de secours ou le public sans révéler les caractéristiques d’un capteur national. La NGA coordonne les achats commerciaux pour éviter les doublons, tandis que le NRO acquiert des capacités au nom de la communauté. En 2026, l’initiative CIBORG de la NGA vise un accès contractuel centralisé à de nouvelles images, données et analyses commerciales. Ce marché augmente la fréquence et la diversité des observations, mais introduit des conditions de licence, des formats, des interruptions de service et des choix de couverture décidés par des entreprises. La résilience exige plusieurs sources et la capacité de revenir aux données brutes ; acheter une alerte prête à l’emploi sans ses métadonnées revient à externaliser une partie du jugement.
Le camouflage, le faux visuel et la mise en scène attaquent trois niveaux
Le premier niveau est physique : cacher, déplacer ou imiter un objet. Le deuxième est interprétatif : accomplir une activité réelle afin de provoquer une conclusion erronée, par exemple montrer une préparation qui sert surtout de signal politique. Le troisième est numérique : modifier une image, fabriquer une séquence ou altérer sa provenance. Une IA de détection peut reconnaître un motif sans savoir lequel de ces trois jeux elle observe. La réponse ne consiste pas à chercher une signature magique du faux, mais à comparer les dates, les capteurs, les angles et les autres disciplines. Une détection cohérente sur plusieurs images peut encore être un leurre ; elle devient seulement plus solidement localisée.
Les travaux du NIST en 2025-2026 montrent pourquoi l’authentification reste mouvante. Des détecteurs très performants sur les générateurs connus peuvent perdre fortement en précision face à une architecture nouvelle, à la compression ou à des manipulations adverses. Le programme fédéral 2026 sur les deepfakes indique une dégradation de 45 à 50 % entre évaluation académique et déploiement opérationnel. Cette mesure concerne la forensique des contenus synthétiques, pas directement l’imagerie satellitaire assurée par un capteur gouvernemental. Elle devient pertinente lorsque l’analyste fusionne vidéos sociales, images commerciales et pièces fournies par des tiers. La provenance cryptographique, la conservation de l’original et une image de référence connue valent alors davantage qu’un verdict binaire « vrai ou faux ».
De la photographie aérienne au déluge commercial
Comment distinguer une détection rapide d’une alerte fiable ?
Publier les performances dans le contexte de mission
Les nombres publics décrivent surtout l’échelle : 325 millions d’images commerciales livrées, 20 000 utilisateurs Maven et plus de 35 outils connectés. Pour juger une capacité, il faudrait aussi connaître précision, rappel, faux positifs, latence et performance par capteur, objet, région et saison. Une réduction de 80 % dans un exercice démontre un potentiel de flux, pas la justesse de chaque identification. Les tests pertinents doivent inclure des cas rares, des images dégradées, des objets partiellement occultés et des tactiques de leurre, puis être répétés après une mise à jour du modèle.
Conserver la chaîne de preuve
L’analyse doit pouvoir revenir de l’alerte au pixel. Fichier original, métadonnées, corrections, version du modèle et validation humaine forment une chaîne de preuve. Si un prestataire ne livre qu’un score ou un objet déjà classé, l’utilisateur gagne du temps mais perd la capacité de reconstruire l’erreur. La normalisation des formats et des métadonnées, mission des groupes de standards de la NGA, est donc une question stratégique : elle permet de comparer plusieurs fournisseurs, de partager avec les alliés et de remplacer un outil sans perdre l’historique.
Trois trajectoires pour l’image après 2026
Dans un scénario de transparence persistante, les constellations nombreuses raccourcissent les intervalles, rendent les préparatifs difficiles à cacher et permettent aux alliés comme au public de confronter les récits. Dans un scénario de déni, brouillage, cyberattaque, armes antisatellites et dépendances contractuelles interrompent soudain l’accès, donnant l’avantage à ceux qui conservent des capteurs variés. Dans un scénario de saturation, images authentiques, copies anciennes, faux visuels et millions de détections concurrentes consomment l’attention plus vite que l’IA ne la libère. Ces trajectoires peuvent alterner au cours d’une même crise.
L’incertitude demeure importante. Les capacités les plus fines des systèmes nationaux sont classifiées, les chiffres de performance publiés par la NGA sont sélectionnés par l’agence et les fournisseurs ne révèlent pas tous leurs taux d’échec. Le triplement annoncé du volume GEOINT est une projection à cinq ou dix ans, pas un fait accompli. Les indicateurs à suivre sont la diversité des sources, le délai entre collecte et validation, les corrections de détections, la disponibilité en situation contestée et la capacité à partager l’image accompagnée de sa provenance.
Les quatre questions à poser devant une image
| Dimension | Fait établi | Analyse Geopolo |
|---|---|---|
| Origine | Les images viennent de capteurs publics, commerciaux, aériens, maritimes ou terrestres. | La provenance, l’heure et le traitement sont aussi importants que le contenu visible. |
| Détection | Maven automatise la recherche et l’identification d’objets dans plusieurs flux militaires. | Le modèle oriente l’attention ; il ne doit pas convertir seul une ressemblance en identité. |
| Contexte | La GEOINT combine l’imagerie avec terrain, localisation et autres données. | La fusion explique une activité, mais l’intention exige encore des disciplines indépendantes. |
| Résilience | La NGA centralise l’accès commercial et maintient des standards d’interopérabilité. | Plusieurs capteurs, des données brutes et un plan de repli limitent la dépendance au fournisseur. |
Voir davantage ne garantit pas de comprendre plus vite. L’abondance réduit les zones non observées, mais elle augmente le tri, les dépendances techniques et les occasions de confondre corrélation, leurre et intention. L’IA crée un avantage lorsqu’elle signale ce qui mérite examen et laisse à l’analyste les éléments nécessaires pour revenir à l’image.
La supériorité IMINT en 2026 repose donc sur une chaîne, pas sur un capteur : collecte diversifiée, métadonnées préservées, modèles testés sur les contre-mesures, validation humaine et confrontation avec d’autres renseignements. Une détection sans provenance est rapide ; une alerte vérifiable est stratégique.
HUMINT : l’intention derrière l’objet visible
Une source humaine peut expliquer pourquoi une unité bouge, qui a ordonné l’activité et si elle relève d’une décision ou d’une mise en scène.
Lire l'analyseSIGINT : relier l’image à l’activité électromagnétique
Les émissions peuvent confirmer qu’un système observé fonctionne, révéler son réseau ou contredire l’interprétation tirée de sa seule silhouette.
Lire l'analyseOSINT : quand l’image commerciale devient preuve publique
Images accessibles, vidéos sociales et données ouvertes permettent de vérifier un récit, à condition de conserver date, lieu, original et provenance.
Lire l'analyseGEOINT : dépasser le pixel par le contexte spatial
Terrain, réseaux, météo et historique transforment une image isolée en activité située. La fusion élargit l’explication sans garantir l’intention.
Lire l'analyseMASINT : lire les signatures que l’œil ne voit pas
Mesures spectrales, thermiques ou radar peuvent caractériser un matériau et vérifier une activité au-delà de l’apparence optique.
Lire l'analyseChine : observer une puissance qui maîtrise le camouflage
La croissance militaire chinoise alimente la demande d’imagerie, tandis que dispersion, leurres et déni spatial compliquent l’interprétation.
ComparerÉtats-Unis : NGA, NRO et industrie dans la même chaîne
Capteurs nationaux, achats commerciaux, standards et IA forment un écosystème puissant dont les interfaces deviennent un enjeu de résilience.
ComparerRussie : la guerre observée presque en continu
L’Ukraine a montré le rôle des constellations commerciales dans l’alerte et le débat public, sans abolir camouflage, brouillage ni désinformation.
ComparerIran : installations dispersées et ambiguïté stratégique
L’image peut documenter une construction ou un dommage, mais le statut d’un programme et l’intention politique exigent d’autres sources.
Comparer
Analyste en géopolitique, anthropologie politique et relations internationales.