La National Geospatial-Intelligence Agency affirme que son programme Maven sert plus de 20 000 utilisateurs dans plus de 35 outils militaires et peut réduire jusqu’à 80 % certains délais de ciblage observés en exercice. Ce gain illustre la promesse de l’IA : trier un volume immense, repérer un objet ou une anomalie, puis faire parvenir plus vite un signal au décideur.
Pourtant, l’intelligence artificielle appliquée au renseignement dépend moins d’un modèle spectaculaire que d’une chaîne de données ordinaire : source identifiable, date, localisation, droits de diffusion, version, qualité et possibilité de retour au document original. La stratégie numérique de l’ODNI reconnaissait encore en mai 2024 que les données de la communauté n’étaient pas systématiquement étiquetées, cataloguées et préparées. Avant de fusionner le renseignement, il faut donc rendre ses fragments compatibles sans effacer leurs différences.
Les quatre couches d’une fusion fiable
- Donnée : image, texte, interception, mesure ou observation humaine conservée dans son contexte.
- Métadonnée : origine, date, lieu, classification, restrictions et transformations successives.
- Modèle : détection, traduction, rapprochement ou génération évalués pour une mission précise.
- Analyste : formule l’hypothèse, confronte les disciplines et décide du niveau de confiance.
Fusionner deux sorties algorithmiques issues de la même donnée ne crée pas deux confirmations indépendantes.
Analyse GeopoloL’IA répond d’abord à une crise de traitement
La stratégie américaine AIM de 2018 partait d’un déséquilibre simple : les volumes collectés augmentaient de façon exponentielle, pas les effectifs capables de les interpréter. En juillet 2023, l’ODNI a donc demandé aux dix-huit composantes de la communauté d’adopter des services communs et de rendre leurs données découvrables, interopérables et prêtes pour l’IA. La technologie intervient en aval d’un problème institutionnel : une image, un message et un rapport humain ne peuvent être rapprochés à grande échelle que si leurs formats, identifiants, niveaux de classification et droits d’usage sont compris par les machines comme par les analystes.
L’ouverture des sources accentue cette pression. La stratégie OSINT 2024-2026 de la communauté américaine présente la source ouverte comme la discipline de premier recours et cherche à coordonner les acquisitions, le partage, les outils et la formation. OSIRIS, un outil de l’Open Source Enterprise de la CIA ayant atteint une capacité opérationnelle initiale en 2023, utilise l’IA générative pour tirer des éléments d’un large éventail de contenus publics. L’intérêt n’est pas de remplacer les disciplines secrètes, mais d’éviter qu’elles consomment du temps à redécouvrir ce qui est déjà accessible, puis de confronter le signal ouvert à une source indépendante.
Une fusion rapide peut fabriquer une fausse convergence
Le premier danger est la dépendance cachée entre sources. Une publication peut être copiée par dix sites, résumée par un modèle puis citée dans plusieurs rapports : la fusion affiche alors une convergence qui remonte au même contenu initial. La provenance doit survivre à chaque traduction, extraction et enrichissement. Il faut savoir si deux détections viennent du même capteur, si un texte généré paraphrase une donnée déjà comptée et quelle version du modèle a produit le résultat. Sans cette généalogie, la multiplication des sorties augmente la confiance apparente sans ajouter d’information.
Le deuxième danger est adversarial. Un État qui connaît les critères d’un détecteur peut modifier camouflage, rythme, signature ou récit pour rester sous le seuil, ou au contraire fabriquer les signes attendus afin de provoquer une alerte. Une erreur algorithmique répétée dans plusieurs produits peut remonter plus vite qu’une correction humaine, surtout si la vitesse devient l’indicateur dominant. L’IA n’observe jamais la réalité entière : elle apprend à partir de données historiques et produit un score dans un environnement qui change précisément parce que l’adversaire réagit.
Le goulot d’étranglement se déplace vers la validation
Les résultats publiés par la NGA sur Maven donnent l’échelle du changement : plus de 20 000 utilisateurs, plus de 35 outils et un effectif multiplié par quatre depuis mars 2024. Lors d’un exercice, une cellule a vu son délai entre détection et engagement passer d’heures à des minutes, soit jusqu’à 80 % de réduction pour le processus cité. Ce chiffre est un maximum observé dans un cas, pas un taux moyen de précision ni une preuve d’efficacité dans chaque opération. Plus le tri est rapide, plus les analystes doivent consacrer leur temps aux cas ambigus, aux faux positifs et aux conséquences d’une classification erronée.
La vitesse modifie le pouvoir entre analyste et commandement
Une alerte automatisée ne se contente pas de gagner du temps : elle détermine ce qui devient visible en premier. Dans une crise, l’ordre d’arrivée influence les questions du décideur et les moyens de collecte réorientés. Si le système privilégie ce qu’il sait mesurer, les signaux faibles qui n’entrent pas dans ses catégories peuvent disparaître de l’agenda. L’analyste doit donc pouvoir retrouver la source, comprendre le niveau de confiance, comparer une hypothèse rivale et ralentir la chaîne. Une interface qui ne montre qu’un score transforme une aide probabiliste en autorité bureaucratique.
La fusion élargit aussi la portée des données personnelles. Une information publique banale peut devenir sensible lorsqu’elle est reliée à une localisation, un réseau de contacts et une prédiction de comportement. Le cadre ICD 505 signé en janvier 2025 impose notamment inventaire, gouvernance, provenance, évaluation et suivi des systèmes d’IA ; le mémorandum présidentiel de juin 2026 maintient les obligations relatives à la vie privée, aux libertés civiles et à la responsabilité des chefs d’agence. Ces garde-fous doivent couvrir la chaîne complète et les fournisseurs privés, car une donnée correctement collectée peut être utilisée hors de son contexte initial une fois intégrée dans un modèle partagé.
De l’automatisation au renseignement multi-sources
Comment tester une chaîne augmentée par l’IA
Mesurer une mission, pas une démonstration
Les faits publics portent sur des capacités et des processus : nombre d’utilisateurs, outils raccordés, délai observé dans un exercice, existence d’une stratégie ou d’un contrôle. Ils ne donnent presque jamais le taux d’erreur complet sur une opération classifiée. Une évaluation utile doit définir la mission, comparer le système à une méthode de référence et publier séparément faux positifs, faux négatifs, temps gagné et cas refusés. Un score moyen masque les groupes, terrains ou conditions où le modèle échoue. Le test doit aussi reproduire camouflage, données incomplètes et tentatives adverses, pas seulement un jeu historique propre.
Vérifier l’indépendance des confirmations
L’analyse multi-sources doit reconstruire la provenance avant de compter les confirmations. Un texte OSINT et une image peuvent sembler indépendants alors que le premier commente déjà la seconde ; deux rapports partenaires peuvent provenir du même témoin. L’IA peut aider à détecter ces liens si les métadonnées sont conservées, mais elle peut aussi les effacer par résumé. L’analyste doit demander : quelle observation primaire soutient chaque affirmation, quelle transformation a été appliquée, quelle erreur est commune aux modèles et quel élément ferait baisser le niveau de confiance ?
Trois trajectoires d’ici 2028
Le scénario central est une fusion assistée : l’IA trie et relie, l’analyste valide la provenance et arbitre les hypothèses. Un scénario d’intégration plus rapide relierait agents génératifs, capteurs commerciaux et collecte dynamique afin de réorienter presque en temps réel les moyens disponibles. Le scénario défavorable serait une monoculture : mêmes fournisseurs, mêmes modèles et mêmes données dérivées produiraient une erreur corrélée dans plusieurs agences alliées. La rapidité de partage transformerait alors une faiblesse commune en consensus international avant qu’une source indépendante ne puisse la corriger.
L’incertitude publique est structurelle. Les statistiques de précision, incidents, audits et contrats détaillés restent souvent classifiés ; les annonces institutionnelles sélectionnent les succès. Les données de 2025 sur Maven montrent une adoption et un gain de délai, pas la part exacte des décisions corrigées par un analyste. Il faut donc suivre des signes révisables : publication d’évaluations en conditions réalistes, diversité des fournisseurs, maintien des métadonnées, accès des inspecteurs, exercices de retour au manuel et capacité des analystes à documenter un désaccord avec le système.
Ce que l’IA apporte à chaque discipline
| Discipline | Apport principal | Risque de fusion |
|---|---|---|
| OSINT | Traduire, classer et rapprocher des volumes publics multilingues. | Confondre reprises, contenus générés et sources réellement indépendantes. |
| IMINT / GEOINT | Détecter des objets, changements et motifs dans des séries d’images. | Propager un faux positif ou perdre le contexte spatial et temporel. |
| SIGINT | Prioriser des flux et mettre en relation signaux, appareils et réseaux. | Surinterpréter une corrélation technique ou un identifiant trompeur. |
| HUMINT | Rechercher les contradictions et contextualiser les comptes rendus. | Réduire une source humaine à des catégories qui effacent intention et accès. |
L’IA donne un avantage lorsqu’elle rend les sources plus accessibles, signale une anomalie et libère du temps pour la confrontation des hypothèses. Elle devient un risque lorsqu’une organisation confond vitesse, volume et certitude, ou laisse les transformations effacer la provenance.
Le cœur de la puissance ne réside donc pas dans un modèle isolé, mais dans une architecture capable de préserver les différences entre disciplines. La meilleure fusion n’est pas celle qui produit le plus vite un score unique : c’est celle qui montre pourquoi les sources convergent, où elles dépendent les unes des autres et quel fait nouveau pourrait renverser la conclusion.
HUMINT
Pourquoi les sources humaines restent décisives pour comprendre intention, accès et tromperie à l’ère de l’IA.
Lire l'analyseSIGINT
Des interceptions à l’analyse des réseaux, ce que la machine détecte et ce que le signal ne dit pas seul.
Lire l'analyseOSINT
La source ouverte devient le premier recours, mais volume, authenticité et dépendance restent à contrôler.
Lire l'analyseIMINT
La NGA automatise des millions d’images, tandis que leurres et faux positifs maintiennent l’analyste au centre.
Lire l'analyseGEOINT
Comment localisation, temps et activité transforment l’image en renseignement exploitable et contestable.
Lire l'analyseCluster Chine
Le dossier Chine relie sécurité intérieure, cyberespionnage, Front uni et collecte technologique au service de la puissance d'État.
ComparerCluster États-Unis
Le dossier États-Unis éclaire la communauté du renseignement, ses moyens techniques, ses contrôles et ses rivalités bureaucratiques.
ComparerCluster Russie
Le dossier Russie distingue FSB, SVR, GRU, influence et action clandestine dans la stratégie de puissance de Moscou.
ComparerCluster Iran
Le dossier Iran analyse les services, les Gardiens de la révolution et les réseaux régionaux dans leur environnement politique.
Comparer
Analyste en géopolitique, anthropologie politique et relations internationales.