Aérospatiale et Défense
Vérification d'IA, inférence en périphérie et architecture de systèmes autonomes pour les programmes de défense et l'aérospatiale commerciale.
Le département de la Défense a fait de l'IA une priorité budgétaire, mais l'acquisition de défense n'a jamais été conçue pour acheter, tester ou déployer des systèmes d'IA à la vitesse à laquelle la technologie évolue. Notre travail se concentre sur le point de rencontre entre l'IA et les exigences opérationnelles des bureaux de programmes de défense et des organisations aérospatiales — pas des présentations stratégiques, pas des cadres de gouvernance sous forme de diapositives, mais la discipline d'ingénierie permettant de faire vérifier, déployer et rendre conformes les systèmes d'IA dans des environnements où l'échec a des conséquences auxquelles les déploiements commerciaux ne sont jamais confrontés.
Le budget IA FY2026 est réel ; la capacité à le dépenser ne l'est pas
Le Pentagone a alloué 13,4 milliards de dollars dans la demande budgétaire FY2026 pour l'IA et l'autonomie — la première ligne budgétaire dédiée à ces capacités. Le Congrès a adopté 9,8 milliards de dollars pour les systèmes autonomes et sans pilote. La Navy a ajouté à elle seule 308 millions de dollars de dépenses en IA, soit un bond de 22,7 % d'une année sur l'autre. Les fonds sont réels. Le problème est que l'acquisition de défense n'a pas été conçue pour acheter, tester ou déployer des systèmes d'IA à la vitesse d'évolution de la technologie.
Il s'agit de programmes de production, et non de pilotes :
- L'Army a attribué en mars 2026 à Anduril un contrat de 10 ans pouvant atteindre 20 milliards de dollars pour sa plateforme Lattice AI, consolidant plus de 120 actions d'approvisionnement distinctes.
- Palantir a livré les deux premières stations sol de ciblage TITAN activées par l'IA à la 1ère Multi-Domain Task Force, avec une décision de production à plein régime attendue au cours de cet exercice budgétaire.
- Shield AILe logiciel d'autonomie Hivemind pilote désormais 26 classes de véhicules.
- L'Air Force teste des ensembles d'autonomie de mission sur des prototypes CCA avec un financement combiné de 804,4 millions de dollars pour l'exercice 2026.
Mais les bureaux de programmes intégrant l'IA dans leurs propres systèmes font face à une autre réalité : des cadres de test et évaluation du CDAO qui ne s'intègrent pas nettement dans les structures TEMP traditionnelles, des exigences d'IA responsable claires sur le papier mais ambiguës lorsqu'appliquées à un algorithme précis de fusion de capteurs, et une main-d'œuvre IA/ML habilitée qui n'existe pas à l'échelle requise.
L'IA de défense a un problème de test que le T&E traditionnel ne peut résoudre
Le test et évaluation traditionnel repose sur un comportement déterministe : les mêmes entrées produisent les mêmes sorties. Les systèmes fondés sur le ML sont probabilistes. Un modèle de vision par ordinateur classant les véhicules avec une précision de 97 % de précision sur un polygone d'essais peut se dégrader de façon imprévisible sous l'effet de guerre électronique modifiant la distribution d'entrée (voir nos recherches techniques sur l'ingénierie de la robustesse de l'IA contre les attaques adverses).
Le cadre réglementaire tente toujours de rattraper son retard. Le CDAO a publié des cadres de stratégie T&E, et la secrétaire adjointe Feinberg a rattaché le CDAO à l' USD(R&E) en août 2025 pour accélérer l'adoption. Mais un audit du GAO d'avril 2026 a conclu qu'aucune des quatre grandes agences examinées ne collectait de retours d'expérience sur les acquisitions d'IA. La stratégie IA du DoD publiée en janvier 2026 met l'accent sur la vitesse, tandis que les spécialistes de la sécurité alertent sur le fait que l'IA militaire agentique crée une « illusion de contrôle » où les systèmes résistent aux évaluations de manière invisible pour les opérateurs.
Notre approche consiste à bâtir une méthodologie T&E d'IA conçue pour produire les preuves de vérification requises pour les jalons décisionnels : tests opérationnels dans des conditions adverses réalistes, modes de défaillance documentés et limites de performance présentées dans un langage convaincant tant pour les évaluateurs que pour les opérationnels. Pour les systèmes autonomes en environnements privés de GPS ou contestés par la guerre électronique, nous concevons la validation de la résilience de la fusion de capteurs et de la prise de décision autonome face à des profils de menaces précis, une démarche démontrée dans notre démonstration opérationnelle d'autonomie de drone sans GPS.
L'inférence en périphérie sur matériel de défense est un problème d'ingénierie
Un modèle transformer tournant sur A100 dans un centre de données est inutilisable sur une charge utile d'UAV contrainte par la taille, le poids et la puissance (SWaP). Le budget de calcul sur un Jetson Orin ou un Qualcomm RB5 se mesure en TOPS à un chiffre. La gestion thermique devient une contrainte majeure : la chaleur d'inférence divise les performances par deux dans des plateformes confinées.
Passer du modèle cloud au modèle déployé en périphérie nécessite :
- La quantification — INT8, INT4 et les compromis GPTQ / AWQ cruciaux pour la précision comme pour la latence ;
- L'élagage (pruning) et la distillation des connaissances ;
- La validation selon les conditions environnementales de MIL-STD-810H .
Les restrictions de sécurité appliquées aux outils open source sur les réseaux classifiés aggravent le problème : le pipeline MLOps du cloud commercial ne fonctionne pas sur SIPR ou JWICS. Nous concevons les pipelines d'inférence en périphérie pour intégrer ces contraintes dès le départ — optimisation pour le matériel cible, bancs d'essai sous contraintes thermiques et énergétiques, et flux de validation adaptés aux réseaux classifiés cibles (SIPR ou JWICS) (détaillé dans notre livre blanc sur la navigation sans GPS pour drones autonomes).
CMMC 2.0 inclut désormais l'IA, et 220 000 sous-traitants ne sont pas prêts
La conformité CMMC 2.0 représentait déjà la difficulté majeure pour les fournisseurs gérant des données CUI. En 2026, la tâche s'est complexifiée. Le FY2026 NDAA a imposé un cadre de sécurité IA aux contractants de la défense, ajoutant quatre catégories de contrôles de sécurité spécifiques :
- Validation et assainissement des entrées de données pour empêcher les attaques par injection de prompt ;
- Contrôles d'accès aux modèles avec authentification multifacteur ;
- Surveillance et journalisation complètes des sorties de l'IA ;
- Mesures de prévention contre les attaques adverses.
Le DoD doit rendre compte des progrès au Congrès d'ici le 16 juin 2026. Le défi s'accroît car la plupart des services commerciaux d'IA opèrent dans des clouds publics non conformes au traitement des CUI — exécuter une inférence via une API commerciale transfère des données contrôlées vers une infrastructure non maîtrisée. L'IA fantôme (Shadow AI) constitue la principale anomalie d'audit : l'utilisation non déclarée d'outils d'IA par du personnel habilité sur des réseaux connectés aux CUI.
Dans le même temps, ITAR soulève une question de conformité parallèle encore peu abordée. La DDTC du département d'État et le BIS du département du Commerce n'ont pas publié de directive claire établissant si les données techniques générées par IA constituent des exportations contrôlées sous l' USML. Un ingénieur employant un LLM pour rédiger des spécifications peut créer sans le savoir une exportation réputée (deemed export).
Notre démarche consiste à concevoir des architectures de conformité intégrant les contrôles IA de CMMC 2.0, le traitement ITAR des données techniques d'IA et les exigences de cybersécurité de DFARS 252.204-7012 comme un système global unifié plutôt que trois démarches isolées. L'objectif est de permettre à vos ingénieurs d'exploiter efficacement l'IA tout en garantissant une posture de conformité prête pour une évaluation C3PAO et un audit DDTC.
L'aérospatiale commerciale fait face aux mêmes défis techniques
Côté civil, compagnies aériennes et acteurs MRO investissent dans l'IA pour la maintenance prédictive, la gestion de flotte et l'intégrité de la chaîne logistique. La demande mondiale de MRO croît à un TCAC de 3,2 % jusqu'en 2035, l'activité moteurs étant le principal catalyseur. La maintenance conditionnelle guidée par l'IA promet d'anticiper les pannes, de réduire les immobilisations imprévues et de prolonger la durée de vie des actifs. L'enjeu consiste à intégrer 30 ans de données capteurs hétérogènes de flottes mixtes dans des modèles produisant des recommandations opérationnelles concrètes plutôt que du bruit.
L'intégrité de la chaîne d'approvisionnement devient urgente. En mars 2026, un tribunal de Londres a condamné un fournisseur pour diffusion de modules électroniques contrefaits dans des systèmes avioniques critiques. Le NDAA 2026 enjoint le secrétaire à la Défense d'élaborer un cadre traitant des « risques de pièces contrefaites ou d'empoisonnement des données » dans les chaînes d'approvisionnement d'IA. Les jumeaux numériques évoluent d'outils de visualisation vers des systèmes d'aide à la décision opérationnelle, mais leur efficacité repose sur l'intégration continue de données réelles, des modèles physiques validés et une interface de planification adoptée par les équipes de maintenance.
Nous apportons à l'aérospatiale commerciale la même rigueur de vérification qu'aux programmes de défense : des modèles de maintenance prédictive validés sur des historiques réels de défaillance, des chaînes de vérification détectant les composants anormaux en amont, et des jumeaux numériques assurant des analyses prévisionnelles fiables pour l'exploitation de flotte.
Pourquoi maîtres d'œuvre, éditeurs de plateformes et cabinets de conseil laissent des vides
Trois catégories de prestataires laissent chacune un angle mort — ce travail requérant une solide expertise en ingénierie ML et une parfaite maîtrise du secteur de la défense, une double compétence qui leur fait défaut.
| Catégorie de prestataire | Exemples | L'angle mort laissé |
|---|---|---|
| Maîtres d'œuvre de défense (Primes) | Lockheed Martin, Northrop Grumman, Boeing | Développent des compétences internes en IA mais restent des organisations centrées sur le matériel. La gestion du cycle de vie ML et la méthodologie T&E d'IA ne constituent pas les compétences fondamentales de cultures d'ingénierie mécanique et électrique — et la compétition CCA exige des logiciels de vol autonome historiquement sous-traités. |
| Éditeurs de plateformes | Anduril, Shield AI, Palantir, Skydio | Conçoivent d'excellents produits autonomes, mais un bureau de programme acquérant Lattice adopte l'architecture d'Anduril sans bénéficier d'une aide pour évaluer l'adéquation à ses missions ou vérifier en toute indépendance le respect des critères d'IA responsable du CDAO. |
| Cabinets de conseil | Accenture, Deloitte, Booz Allen | Le Pentagone a résilié en avril 2025 des contrats de conseil s'élevant à 5,1 milliards de dollars avec ces acteurs. Le BCG relève que 70 % des entreprises de l'aérospatiale et de la défense considèrent le recrutement en IA comme un défi majeur — les grands cabinets affrontant le même déficit de compétences qu'ils sont censés combler. |
Notre intervention se situe à la jonction de ces catégories : évaluation technique neutre des plateformes d'IA, méthodologie T&E dédiée au bureau de programme, ingénierie d'inférence embarquée pour transposer les modèles cloud sur matériel tactique, et architecture de conformité intégrant CMMC, ITAR et RAI comme contraintes système.
Points clés à retenir
- Les budgets alloués à l'IA de défense sont désormais massifs (13,4 Md$ pour l'IA et l'autonomie, 9,8 Md$ pour les systèmes autonomes et sans pilote), mais l'acquisition, le T&E et les effectifs IA/ML habilités accusent un retard.
- Les systèmes ML étant probabilistes, le T&E déterministe traditionnel ne peut les valider — les jalons décisionnels exigent des protocoles d'évaluation spécifiques testés en conditions adverses réelles et en environnements brouillés / sans GPS.
- Le déploiement en périphérie sur matériel contraint en SWaP (Jetson Orin, Qualcomm RB5) relève de l'ingénierie : quantification, élagage, distillation, profilage thermique et validation MIL-STD-810H vers les périmètres SIPR/JWICS.
- CMMC 2.0, les contrôles IA du FY2026 NDAA (rapport au Congrès attendu le 16 juin 2026), les ambiguïtés techniques ITAR/USML et DFARS 252.204-7012 doivent être traités au sein d'une même architecture intégrée.
- L'aérospatiale commerciale partage ces enjeux — maintenance prédictive, intégrité contre les contrefaçons logistiques et jumeaux numériques requièrent une ingénierie rigoureusement validée par la preuve.
Aérospatiale et Défense
RegarderAutonomie de drones en environnement privé de GPS : VIO, IA embarquée et intégration Blue UAS | Veriprajna
Les brouilleurs russes R-330Zh créent des zones de coupure GPS s'étendant sur plusieurs kilomètres le long des lignes de front ukrainiennes. La FCC a bloqué toute nouvelle autorisation pour chaque drone de fabrication étrangère en décembre 2025. L'armée américaine vient d'acheter 2 500 unités Skydio X10D en 72 heures parce que rien d'autre dans l'inventaire homologué ne pouvait composer avec un environnement électromagnétique contesté.
Questions fréquentes
Comment franchir un jalon décisionnel du DoD quand les cadres T&E du CDAO ne s'alignent pas sur notre TEMP ?
Le décalage est bien réel : les cadres stratégiques T&E du CDAO ont été conçus pour l'évaluation spécifique de l'IA, alors que la majorité des TEMP de programmes suivent le schéma classique DT&E/OT&E postulant un comportement déterministe. Les systèmes basés sur le ML sont probabilistes et leurs performances fluctuent selon la distribution des données, les conditions opérationnelles et les entrées adverses. Nous comblons cet écart en bâtissant des plans de test spécifiques à l'IA intégrés aux structures TEMP existantes. Cela implique de définir des enveloppes de performance opérationnelle (au-delà de la simple précision de référence), de documenter les modes de défaillance et limites de performance en conditions réelles, et de produire les éléments probants répondant à la fois aux exigences de l'équipe AI Assurance du CDAO et de l'agence d'évaluation opérationnelle. L'objectif est un dossier de test attestant de la conformité à l'IA responsable sans exiger de l'autorité décisionnelle qu'elle devienne experte en ML.
Quelles sont les exigences du cadre de sécurité IA de CMMC 2.0 pour les sous-traitants de défense ?
Le FY2026 NDAA a instauré des contrôles de sécurité spécifiques à l'IA s'ajoutant aux exigences socles de CMMC 2.0. Quatre catégories de contrôles sont prescrites : validation et assainissement des données d'entrée contre les injections de prompt, contrôle d'accès aux modèles avec authentification multifacteur et autorisations par rôles, surveillance et journalisation exhaustives des sorties IA couplées aux SIEM, et prévention des attaques adverses incluant validation continue et tests défensifs. Le DoD doit présenter un point d'étape au Congrès d'ici le 16 juin 2026 fixant le calendrier d'application. Le risque majeur actuel réside dans le Shadow AI : l'usage non recensé d'outils d'IA du commerce par du personnel habilité sur des réseaux abritant des CUI. Les offres d'IA commerciales opèrent habituellement sur des clouds génériques non conformes aux exigences de traitement des CUI du DFARS 252.204-7012. Nous concevons des architectures assurant des capacités d'IA homologuées dans les limites CMMC tout en détectant et réorientant les usages non autorisés.
Comment déployer des modèles ML entraînés dans le cloud sur des plateformes tactiques contraintes en SWaP ?
La transition du modèle cloud au modèle tactique embarqué comprend quatre phases avec des compromis opérationnels directs. D'abord, l'optimisation : la quantification de FP32 vers INT8 ou INT4 allège la charge de calcul mais induit des pertes de précision variables selon l'architecture et la tâche. Les méthodes de quantification post-entraînement (GPTQ, AWQ, GGUF) influencent nettement la vitesse d'inférence et la fidélité sur puces comme Jetson Orin ou Qualcomm RB5. Deuxièmement, l'élagage d'architecture et la distillation de connaissances réduisent l'empreinte mémoire tout en préservant les performances clés. Troisièmement, le profilage thermique et énergétique : l'inférence produit une chaleur susceptible de réduire la puissance de moitié en environnement clos et sévère. Enfin, la validation sous contraintes environnementales MIL-STD-810H garantit la tenue des performances sur toute l'enveloppe opérationnelle. Nous orchestrons cette chaîne au sein d'un flux MLOps intégré adapté aux réseaux classifiés restreignant les outils open source.
Les sorties de modèles d'IA sont-elles qualifiées de données techniques soumises à ITAR ?
Il s'agit d'une des incertitudes juridiques les plus critiques de l'IA de défense. La définition ITAR des 'données techniques' s'applique aux informations requises pour la conception, le développement, la production ou l'utilisation d'articles de défense, quel que soit leur mode d'élaboration. Si un LLM produit des spécifications ou des calculs d'ingénierie pour un élément de l'USML, sa sortie relève vraisemblablement des données techniques contrôlées. La DDTC du département d'État et le BIS du département du Commerce n'ayant pas émis de doctrine officielle, la prudence commande de traiter ces productions comme contrôlées. Cela génère des risques tangibles : un ingénieur rédigeant un document technique avec un LLM commercial effectue potentiellement une exportation réputée si le traitement s'opère hors des États-Unis. Nous structurons des environnements de développement IA conformes ITAR maintenant les données sous contrôle strict via des instances locales ou GovCloud avec cloisonnement rigoureux.
Comment valider la navigation autonome de drones en environnements contestés privés de GPS ?
Le déni de GPS constitue l'hypothèse opérationnelle nominale face à des adversaires de premier rang. Les solutions alternatives reposent sur la centrale inertielle (où la dérive des IMU MEMS induit des écarts critiques en quelques minutes), l'odométrie visuelle-inertielle (dégradée par l'éclairage, la météo ou le manque de relief) et la navigation par corrélation de terrain (tributaire de la qualité des modèles régionaux). Chacune présente des défaillances propres qui se cumulent sans validation rigoureuse. La validation ne se résume pas à désactiver le GPS sur polygone : elle exige de confronter le système à des brouillages réalistes, des attaques de leurrage et des conditions fidèles au théâtre d'opérations. Nous élaborons des protocoles d'épreuve validant la robustesse de la fusion de capteurs et garantissant que la décision autonome respecte les ordres de mission même sous signaux dégradés ou trompeurs, apportant ainsi les preuves indispensables aux décideurs.
Quelle est la réelle différence entre Anduril Lattice et Palantir AIP pour les programmes de défense ?
Leurs finalités diffèrent. Palantir AIP et TITAN sont des plateformes d'intégration de données et de ciblage : elles synthétisent les flux de capteurs multiples en un tableau de situation tactique et assistent la décision humaine. TITAN se focalise sur la fusion de renseignement pour l'engagement des cibles, avec des premiers prototypes livrés à la 1st Multi-Domain Task Force en mars 2025. Anduril Lattice est une plateforme d'autonomie de mission : elle coordonne des ensembles de systèmes autonomes hétérogènes multi-milieux en milieu dégradé. Le contrat de 20 milliards de dollars avec l'Army intègre capteurs, drones et infrastructures logicielles. Pour la stratégie d'achat, le besoin en fusion de renseignement oriente vers Palantir, tandis que la gestion d'essaims ou de flottes autonomes relève de Lattice. Les programmes nécessitant les deux font face à un défi d'intégration qu'aucun éditeur n'est incité à résoudre de manière neutre. Nous fournissons une évaluation technique impartiale mesurant ces solutions face à vos besoins réels.
Comment concevoir une IA de maintenance prédictive pour une flotte commerciale hétérogène ?
La difficulté majeure réside dans l'hétérogénéité des données. Une flotte mixte délivre des flux de capteurs à des fréquences et formats dissemblables selon les générations d'avionique. Construire un modèle pérenne pour l'ensemble d'une flotte impose une couche de normalisation des signaux, une ingénierie de caractéristiques corrélant les mesures brutes aux signatures de dégradation d'appareils donnés, et une modélisation physique complétant les statistiques par les périodicités d'entretien constructeur. L'impératif de validation est déterminant : l'algorithme prédisant une défaillance doit être éprouvé sur des historiques réels pour éviter les fausses alertes qui décrédibilisent le système auprès des mécaniciens. Alors que la demande mondiale MRO croît de 3,2 % par an jusqu'en 2035, la valeur ira aux exploitants dont l'IA réduit concrètement les immobilisations non programmées.
Comment tester l'IA agentique d'aide à la décision militaire sans induire de confiance excessive ?
La stratégie IA du DoD de janvier 2026 préconise un réseau d'agents pour la gestion du combat et l'exécution des boucles de tir. Parallèlement, la recherche met en évidence que les agents absorbent les corrections ou résistent aux évaluations sans visibilité pour les opérateurs, l'humain ayant tendance à accorder un crédit excessif aux sorties d'apparence sûre d'elles. Anthropic a publiquement soulevé des réserves sur l'emploi de modèles d'IA pour dresser des listes d'objectifs sans fiabilité certifiée. Tester l'IA agentique militaire exige de rompre avec l'évaluation des modèles isolés : nous éprouvons les agents en contexte d'information dégradée, mesurons la capacité réelle des opérateurs à rejeter les suggestions erronées et vérifions l'intelligibilité des raisonnements pour le débriefing, évitant ainsi « l'illusion de contrôle » inhérente aux agents militaires.
Développez votre IA en toute confiance.
Collaborez avec une équipe forte d'une solide expérience dans la conception de la prochaine génération d'IA d'entreprise. Nous vous aidons à concevoir, développer et déployer une stratégie d'IA digne de confiance.
Veriprajna société de conseil en Deep Tech est spécialisée dans la conception de systèmes d'IA critiques pour la sûreté destinés aux secteurs de la santé, de la finance et de la réglementation. Nos architectures sont validées au regard de protocoles établis et accompagnées d'une documentation de conformité complète.