En IA, nous ne croyons pas … nous testons

Nov 16, 2026 | Actualités, Article de la Lettre AAE

Erwan PRUD’HOMME

Erwan PRUD’HOMME

Statisticien et entrepreneur, conférencier, co-fondateur de SixFoisSept

Les données et IA

La DataScience (science des données) est un processus complet qui transforme les données en informations utiles : les données constituent le carburant, et les algorithmes le moteur permettant d’analyser des tendances, de calculer des risques (de défaillance par exemple) ou de formuler des recommandations (la pièce la plus susceptible d’être à changer dans le cas d’une avarie). L’IA regroupe, quant à elle, des techniques informatiques et mathématiques capables d’apprendre à partir de ces données afin de singer certaines capacités humaines, comme reconnaître, prévoir, recommander ou générer du contenu.

IA et sécurité dans l’aviation civile

En 2017, je signais avec ma société de l’époque un contrat cadre avec l’OSAC (Organisme de la sécurité de l’aviation civile) visant à calculer un risque de non-conformité pour les aéronefs par la DataScience. À l’époque l’IA n’était pas encore générative mais nous avions tous types d’algorithmes à disposition. Tout l’enjeu était d’être en mesure de garantir nos résultats et que l’OSAC puisse baser sa surveillance sur le risque : le Risk Based Oversight (RBO).

Dans un environnement aussi réglementé que l’aviation, nous devions industrialiser un scoring de tous les aéronefs civils et de leur écosystème (ateliers de conception, fabrication ainsi que ceux de maintenance et réparation). Il fallait que nos algorithmes soient robustes, fiables et que le résultat soit toujours justifié. Nous avons donc écarté toutes les méthodes qui ne permettaient pas de garantir le résultat (dont les fameux réseaux de neurones) pour se concentrer sur deux axes :

  • Qualité et exhaustivité de la donnée en entrée : Tout l’enjeu a été de définir avec les parties prenantes ce qu’était un aéronef (objet du risque) et les caractéristiques lui étant rattachées qui influaient sur le risque (indicateurs de probabilité et de sévérité). Une fois tous ces indicateurs définis, il s’agissait de les extraire des systèmes d’informations de l’aviation civile de manière industrielle, et fiable. Et de débuter un travail de mise en qualité de la donnée (la clef de tout projet IA !). Il y a aujourd’hui une centaine d’extractions chaque jour qui alimentent un socle de donnée robuste pour estimer ce risque de non-conformité.
  • Algorithme robuste et explicable : Les algorithmes fleurissent tous les jours avec de nouvelles techniques dopées par la recherche de milliers d’étudiants et autres labos… Dans notre cas, la demande était claire : un scoring de risque juste et garanti. Les arbres de décisions conjugués aux méthodes d’allocation budgétaire1 nous ont permis de produire un scoring sur la base de l’expertise métier des inspecteurs OSAC tout en lissant l’appréciation de chaque inspecteur.

Ainsi depuis 2019, l’OSAC utilise la DataScience et des technologies d’intelligence artificielle pour optimiser ses inspections. En 2025, selon l’OSAC, l’algorithme permet de trouver 45% d’écarts en plus qu’une surveillance effectuée uniquement sur la base d’expertise métier. Elle permet en outre d’harmoniser les pratiques et la vision du risque et à ce titre, prémunit l’organisme des enjeux de turnover et de pertes des compétences liées à la volatilité des profils.


1. Le “Budget Allocation Process” est une méthode de pondération qui consiste à répartir un capital fictif entre plusieurs indicateurs selon leur importance relative et permettre ainsi une pondération métier.

 

Niveaux de performance cibles pour les catégories d'aéronefs sélectionnées pour la démonstration dans le cadre du programme Clean Aviation. / Target performance levels across the aircraft categories selected for demonstration in Clean Aviation. Photo © Clean Aviation

IA générative, compétences, comment le futur se dessine ?

Autant notre algorithme a pu harmoniser la vision du risque, autant l’avènement de l’IA Générative vient bouleverser l’ensemble de nos habitudes, réflexes et autres apprentissages. Les changements à venir sont profonds. La révolution industrielle a automatisé les procédés industriels et les cols bleus se sont transformés en agents de maitrise ou de maintenance pour laisser la place à des robots pour les tâches répétitives… Nous assistons à ce même phénomène mais cette fois-ci, cela touche les cols blancs ! Les tâches que nous confions à des stagiaires ou juniors sont remplacés par un prompt sur l’un de vos assistants préférés comme ChatGPT ou Claude. L’étudiant ingénieur ne code plus sur son ordinateur mais soumet un prompt à Claude qui rédigera un code en quelques fractions de secondes. Il n’est plus question de savoir ou se trouve le « ; » dans la syntaxe du code.

Or se poser la question de ce fameux « ; » qui ponctuait les instructions des langages informatiques, imposait de se pencher sur la manière dont raisonnait ces langages. Et à force d’erreurs, l’apprenti ingénieur apprenait. Il en va de même avec les stagiaires avocat qui devaient fouiller pour trouver les derniers arrêts de la cour d’appel, ou les inspecteurs de l’aviation civile qui devaient lire (et relire encore !) les règlements et documentations. Ce temps forgeait une expérience. Et préparait une expertise.

Le défi

Le défi à venir sera de réussir à conjuguer l’usage des IA Génératives avec un haut niveau d’expertise. Les IA génératives sont par essence sujettes à des hallucinations ; et plus les IAGen s’améliorent, plus elles imposent d’être en mesure d’en challenger le résultat. Plus les IAGen sont utilisées et plus l’apprentissage de ces modèles s’effectue aussi sur leurs propres résultats (y compris sur les hallucinations).

En matière d’IA Générative, je citerai Étienne Klein qui, lors d’un colloque sur l’IA, terminait son allocution par « Toujours garder en mémoire que l’IA Générative ne comprend pas un seul traitre mot de ce qu’elle génère »2.

À l’heure des algorithmes et d’un usage toujours plus conséquent des IA Générative, il convient de veiller à maintenir, dans nos domaines respectifs, un haut niveau d’expertise. D’autant plus haut que l’IA Générative enlève petit à petit, de manière implicite, la culture de l’effort ! Tout l’enjeu va donc être comment ré inventer l’apprentissage tant en formation initiale que continue.


2. Citation de mémoire, elle n’est pas forcément exacte dans le wording !

Dans l’actualité :