IA dans la défense : promesses et risques industriels
Comment Tiberius Aerospace mobilise l’IA pour concevoir des munitions et transformer leur fabrication, entre accélération industrielle et enjeux éthiques.

L'IA peut-elle accélérer l'industrie de l'armement ? Le cas Tiberius Aerospace
L'intelligence artificielle ne se contente pas de transformer les logiciels ou les services aux entreprises. Elle entre aussi dans un secteur où les cycles de développement, les contraintes réglementaires et les conséquences humaines n'ont rien à voir avec le reste : la défense. Tiberius Aerospace, fondée par des entrepreneurs passés par Google et Apple, est présentée comme un exemple concret. L'entreprise dit utiliser l'IA pour analyser des besoins militaires, simuler des systèmes d'armes et raccourcir leur conception puis leur fabrication.
Le sujet dépasse largement l'armement. La vraie question est simple : que se passe-t-il quand l'IA sert à réduire l'intervalle entre une idée, un prototype et une production industrielle ? Dans le cas de Tiberius, il y a aussi un enjeu commercial. La société annonce des partenariats publics, 85 millions de dollars levés et une activité valorisée à plus d'un milliard de dollars. Mais ces chiffres ne suffisent pas à prouver que le système marche "dans la vraie vie", avec les contraintes et les aléas de terrain.
Voici ce que l'on peut dire de son approche : ce que son logiciel est censé faire, et les arbitrages que cela oblige à mettre sur la table (vitesse d'innovation, dépendance aux données, responsabilité humaine et contrôle des usages).
Comment l'IA a-t-elle orienté le projet de Tiberius ?
Tiberius Aerospace ne dit pas être née d'un programme d'armement "classique". Selon le récit de l'entreprise, Chad Steelberg, entrepreneur spécialisé dans les technologies d'entreprise, explique avoir voulu contribuer à l'effort ukrainien après avoir accueilli des réfugiés dans sa propriété en France. Il aurait ensuite transformé son laboratoire privé en équipe d'analyse, regroupant ingénieurs en IA et en aéronautique, chargés de modéliser les facteurs du conflit et d'évaluer ce qui pourrait en modifier l'évolution.
Dans ce récit, l'analyse écarte une première piste : renforcer les moyens défensifs risquerait de figer une impasse plutôt que de la briser. Le travail se tourne alors vers des systèmes offensifs, avec des critères comme la portée, la létalité et le coût. L'équipe aurait alors privilégié des munitions d'artillerie de plus longue portée plutôt qu'un nouveau drone.
Ce point mérite d'être posé clairement. À partir des informations disponibles, on ne voit pas l'IA "découvrir" à elle seule une solution stratégique ni valider une doctrine militaire. Elle aurait servi à structurer une analyse, comparer des options et alimenter des simulations. Les critères, les hypothèses et la décision de poursuivre un projet relèvent, eux, du choix humain. Un modèle peut optimiser une fonction définie par ses concepteurs ; il ne décide pas, à lui seul, si cette fonction vise le "bon" objectif politique ou militaire.
Le premier système présenté par Tiberius, baptisé Sceptre, est une munition conçue pour être tirée depuis un obusier de 155 mm, un calibre largement utilisé par les forces occidentales et fourni à l'Ukraine. L'entreprise affirme que sa munition peut atteindre une portée supérieure à celle de modèles disponibles et évoluer à des altitudes plus difficiles à brouiller. Ce sont des affirmations de l'entreprise, à distinguer d'une évaluation indépendante en conditions opérationnelles.
L'intérêt industriel, lui, est facile à comprendre. Dans un conflit où les contre-mesures évoluent vite, les armées cherchent à réduire le temps entre un besoin identifié et un système prêt à être déployé. L'IA peut aider à traiter de gros volumes de paramètres et à comparer des scénarios. Elle ne supprime ni les essais, ni la qualification, ni les contraintes de production. En revanche, elle peut déplacer le goulot d'étranglement : moins de temps passé à explorer certaines options, davantage de pression sur la validation, la sécurité et la gouvernance.
Que fait concrètement la plateforme GRAIL ?
Tiberius a fait évoluer son outil d'analyse initial vers une plateforme appelée GRAIL, pour Generative Real-Time Artificial Intelligence for Lethality. D'après Steelberg, le logiciel doit simuler des armes dans différents environnements et conditions météorologiques, automatiser certaines tâches de chaîne d'approvisionnement et faciliter des obligations de conformité. L'idée annoncée est de permettre aux utilisateurs de tester et d'adapter plus vite des conceptions à des besoins spécifiques.
Il faut toutefois éviter une confusion fréquente : un système autonome sur le champ de bataille n'est pas la même chose qu'un outil d'ingénierie et de pilotage industriel. Les informations disponibles décrivent bien une aide à la conception, à la simulation et à la gestion. Elles ne montrent pas que GRAIL sélectionne des cibles ou décide d'un tir. Et cette distinction n'est pas qu'un débat de vocabulaire : un logiciel qui aide à concevoir un équipement ne sollicite pas les mêmes contrôles et n'exige pas le même niveau de responsabilité qu'un système impliqué dans une décision létale.
La qualité des données reste déterminante
Comme toute simulation, GRAIL dépend de la qualité et de la pertinence des données. Tiberius indique exploiter des données ouvertes et chercher à obtenir des données issues de combats réels, notamment en Ukraine. Le problème, c'est que des données opérationnelles peuvent être incomplètes, difficiles à vérifier, ou représentatives d'un contexte particulier seulement. Une simulation qui "impressionne" dans un environnement modélisé ne garantit pas un résultat identique quand les conditions changent.
Pour un industriel, le réflexe essentiel consiste à documenter les hypothèses : quelles données sont incluses, lesquelles manquent, quels scénarios sont testés, et comment les résultats sont confrontés à des essais physiques. Sans cette traçabilité, l'IA peut donner une impression de précision qui ne correspond pas à la réalité. Le chiffre affiché par un modèle n'est pas, à lui seul, une preuve.
Le logiciel comme outil de cycle de développement
La promesse de GRAIL tient aussi à la continuité entre conception et production. Si une plateforme coordonne simulations, conformité et approvisionnement, elle peut réduire les frictions entre équipes d'ingénierie, fabricants et partenaires publics. On retrouve ici une logique familière des logiciels d'entreprise : rendre certaines décisions plus reproductibles et suivre plus facilement les changements.
Mais pour que cela reste maîtrisé, il faut des garde-fous. Les versions du modèle, les jeux de données et les paramètres de simulation doivent être conservés. Les résultats importants doivent pouvoir être relus par des spécialistes indépendants. Et les utilisateurs doivent savoir quand le logiciel extrapole au-delà des données disponibles. Dans la défense, ces exigences prennent une dimension particulière, justement parce que les conséquences peuvent être lourdes.
Quel modèle industriel Tiberius veut-elle développer ?
Tiberius ne vend pas seulement une munition. L'entreprise défend un modèle de "défense en tant que service" : elle garderait la conception et les outils logiciels, tout en s'appuyant sur des partenaires pour fabriquer, licencier ou distribuer les produits. L'argument est de mobiliser des capacités industrielles déjà présentes dans plusieurs pays alliés, plutôt que de construire de grandes usines seules.
Andy Baynes, ancien cadre de Google et d'Apple, décrit cette approche comme une adaptation du modèle Apple : concevoir un système central, puis confier différentes étapes de fabrication à un réseau de sous-traitants. Selon lui, cela accélère le déploiement et limite les coûts industriels élevés quand la demande baisse. Tiberius mentionne des partenaires au Royaume-Uni, en France, en Allemagne, dans les pays nordiques et aux États-Unis, ainsi qu'un accord de collaboration technologique avec des partenaires britanniques.
Sur le papier, le raisonnement se tient. Si une entreprise ne possède pas toutes ses lignes de production, elle peut concentrer davantage d'investissements sur la conception, les logiciels et la coordination. Elle peut aussi répartir la fabrication entre plusieurs sites, ce qui réduit la dépendance à une seule usine. C'est une réponse possible à des délais souvent longs et à des capacités d'approvisionnement limitées dans la défense.
La contrepartie, c'est la gouvernance. Quand le nombre de sous-traitants augmente, la maîtrise de la qualité, de la sécurité des composants, de la propriété intellectuelle et de la conformité de chaque site devient plus difficile. Un réseau peut renforcer la résilience, mais il multiplie aussi les interfaces à gérer. Sans procédures communes et responsabilités clairement assignées, on risque d'obtenir un système plus fragile qu'il n'y paraît : retards, défauts et diagnostics complexes.
Le modèle économique dépend aussi de la capacité à transformer des annonces en livraisons réellement qualifiées. Tiberius dit avoir levé 85 millions de dollars lors d'une série A et affirme travailler avec l'armée américaine sur la maturation de Sceptre. L'entreprise annonce également une collaboration technologique évaluée à 500 millions de dollars avec des partenaires britanniques. Tout cela signale un intérêt financier et institutionnel, mais cela ne dit pas combien de systèmes seront produits, à quel calendrier, ni avec quels résultats d'essais.
Pour les acteurs européens, la question utile n'est donc pas "copier" un modèle venu de la Silicon Valley. Elle est plutôt : quelles tâches peuvent être mutualisées sans perdre le contrôle des savoir-faire stratégiques, des normes de qualité et des décisions d'approvisionnement ? Externaliser la fabrication peut aider ; externaliser la compréhension du système peut créer une dépendance difficile à corriger.
Quels bénéfices et risques cette approche soulève-t-elle ?
Le bénéfice potentiel est clair : réduire le temps entre l'analyse d'un besoin, la comparaison de configurations et l'organisation de la production. Dans un marché où les technologies évoluent vite, la capacité à mettre à jour un système compte autant que sa performance initiale. Une plateforme de simulation bien conçue peut aussi aider les équipes à comparer des options plus méthodiquement et à éviter certains essais coûteux ou mal ciblés.
Mais l'accélération n'est pas une valeur qui vient "sans conditions". Dans une industrie qui produit des systèmes létaux, aller plus vite peut aussi réduire les marges de vérification, accroître la dépendance à des modèles dont on maîtrise mal les limites, ou faciliter un passage à l'échelle avant que les effets à long terme soient bien compris. La question de fond est donc : quelles étapes peut-on accélérer sans augmenter démesurément le risque ? Et lesquelles doivent rester lentes, parce qu'elles protègent la sécurité, la conformité et la responsabilité ?
La responsabilité ne se délègue pas au modèle
Même si l'IA propose une conception ou une simulation, ce sont toujours des organisations qui prennent les décisions. Il faut désigner qui valide les hypothèses, qui autorise les essais, qui contrôle les mises à jour et qui peut suspendre un déploiement en cas d'anomalie. Quand chacun "s'appuie sur le logiciel" sans en assumer la validation, on crée une zone grise. Or, c'est précisément dans ces zones que la responsabilité doit être la plus lisible.
Il faut aussi distinguer conformité logicielle et conformité des usages. Automatiser une partie de la documentation peut réduire des erreurs administratives. Mais cela ne garantit ni le respect du droit international humanitaire, ni un contrôle suffisant des exportations. Ces questions doivent être intégrées dans la conception et dans la gestion des partenariats, pas traitées comme une formalité en fin de chaîne.
Un enjeu européen de contrôle et de dépendance
En Europe, les décideurs doivent regarder en même temps la capacité industrielle, la souveraineté technologique et les conditions d'emploi. Un réseau de fabrication réparti entre pays alliés peut renforcer des capacités communes, à condition que les responsabilités, l'accès aux données et les règles de transfert soient bien définis. Il faut aussi anticiper ce qui se passe si un fournisseur change de stratégie, si un partenaire se retire ou si le logiciel ne peut plus être mis à jour.
Le RGPD peut s'appliquer si un traitement concerne des données personnelles, mais il ne suffit pas à lui seul à encadrer, de manière générale, les systèmes d'armes. Se limiter aux "données" serait réducteur. Les exigences pertinentes comprennent aussi la sécurité, les contrôles à l'exportation, la traçabilité des modifications et l'examen humain des décisions qui ont des conséquences opérationnelles.
À retenir : l'IA peut accélérer l'analyse, la simulation et la coordination industrielle. Elle ne remplace ni les essais, ni la responsabilité humaine, ni l'évaluation des effets d'un système. Et plus le cycle de développement se raccourcit, plus la qualité des contrôles compte.
Conclusion : l'IA accélère, mais ne tranche pas les arbitrages
Le cas Tiberius Aerospace illustre une application concrète de l'IA à la conception et à l'organisation de systèmes de défense. La promesse ne consiste pas seulement à produire un modèle plus performant : elle vise à relier analyse, simulation, approvisionnement et fabrication dans un cycle plus court. Et c'est justement là que l'approche devient délicate. Accélérer l'industrie n'a d'intérêt que si cela s'accompagne de validation, de traçabilité et de responsabilités clairement assignées.
Pour juger ce type de projet, les entreprises et les institutions européennes devraient poser quatre questions : quelles décisions l'IA influence réellement, sur quelles données elle s'appuie, qui vérifie ses résultats, et qui répond des conséquences. Si ces réponses restent floues, la vitesse annoncée peut masquer un risque de gouvernance. Si elles sont documentées et contrôlées, l'IA peut devenir un outil industriel utile, sans être vendue comme une solution autonome aux choix humains.