Des caméras IA sur les bus scolaires ont permis d'émettre 375 000 amendes : où est l'effet ?

Imaginez que votre IA détecte parfaitement les erreurs des utilisateurs, et que son travail soit rémunéré pour chaque erreur trouvée. Les ventes augmentent, les rapports réjouissent le client. Sauf que les utilisateurs continuent de se tromper et que le problème initial demeure. Les caméras des bus scolaires américains offrent un exemple très concret de ce piège produit : on a réussi à automatiser la détection des comportements dangereux, mais il s'est avéré plus difficile de prouver une amélioration de la sécurité.

Dans le comté de Montgomery, dans le Maryland, le programme a cumulé plus de 375 000 amendes pour 92 millions de dollars. Il s'agit du montant des avis émis : on ne peut le considérer ni comme de l'argent encaissé, ni comme le chiffre d'affaires du prestataire. Selon l'enquête de Bloomberg Businessweek et de Type Investigations, publiée dès avril 2026, les infractions n'ont que faiblement diminué, et les journalistes n'ont trouvé aucune preuve d'une baisse du nombre de collisions près des bus à l'arrêt.

Comment la caméra transforme un dépassement en dossier pour la police

La tâche est simple : le bus s'arrête, allume ses feux rouges et déploie son panneau d'arrêt latéral, et une voiture le dépasse. Les caméras enregistrent l'épisode et la plaque d'immatriculation. Commence ensuite un processus dont la reconnaissance n'est qu'une étape.

Le district scolaire d'Allentown décrit le schéma suivant : la vidéo, avec les coordonnées et l'heure, est enregistrée sur l'enregistreur de bord, puis transmise vers le cloud par une connexion sécurisée. L'IA filtre les contenus, un spécialiste vérifie l'infraction présumée et rassemble les preuves. La police examine le dossier et décide d'envoyer ou non un avis au propriétaire du véhicule.

Par exemple, sur un enregistrement, une voiture traverse la zone à côté du bus. Une plaque reconnue ne suffit pas : le vérificateur a besoin de la séquence des événements, de l'état des signaux, de la position du véhicule et du contexte routier. La qualité du produit dépend donc à la fois du modèle, de l'exhaustivité de l'enregistrement et du temps qu'une personne peut consacrer à la vérification. L'automatisation de la sélection ne dispense pas d'examiner les cas litigieux.

Quand l'activité croît avec le problème

Le prestataire BusPatrol explique son modèle financier simplement : l'entreprise prend en charge l'installation et l'exploitation du matériel grâce aux recettes des amendes. Le client obtient le système sans achat initial de caméras. Pour une municipalité au budget limité, l'offre est séduisante.

Pourtant, ce montage crée un conflit d'intérêts. Si les dépassements dangereux disparaissent, la source de paiement se tarit. Cela ne prouve pas une surestimation intentionnelle du nombre d'infractions, mais impose de vérifier séparément le résultat pour les habitants. La hausse des recettes ne dit en soi rien sur le gain de sécurité à la montée et à la descente des enfants.

Il est utile ici de distinguer trois indicateurs : combien d'épisodes le système a détectés, combien d'infractions les vérificateurs ont confirmées et comment le risque a évolué sur la route. Le premier décrit le volume de travail, le deuxième aide à évaluer la qualité de la sélection, le troisième répond à la promesse faite au client. Il est très facile de substituer les deux premiers au dernier, surtout quand ce sont eux qui alimentent le flux d'argent.

Pour le développeur, il en découle une tâche concrète : conserver les fondements de la décision et la possibilité de reconstituer tout l'épisode. Pour le product manager : convenir d'avance de ce qui sera considéré comme un succès dans un an. Par exemple, une réduction des dépassements dangereux pour un nombre comparable d'arrêts de bus, ainsi que le coût de la vérification et la part de décisions annulées. Ce sont des critères d'évaluation proposés, et non des résultats publiés du programme.

Pourquoi les 19 cas de Waymo ne prouvent rien sans dénominateur

Dans le post d'origine, les amendes infligées aux conducteurs ordinaires sont comparées à 19 épisodes impliquant Waymo. NPR a rapporté que c'est le nombre de cas documentés par le district scolaire d'Austin. L'enquête fédérale a débuté après le signalement d'un épisode isolé ; il est inexact de la réduire au seul chiffre de 19.

La comparaison attire l'attention, mais pour tirer une conclusion sur la sécurité, il faut des périodes et des conditions identiques, ainsi que le même nombre de rencontres avec des bus à l'arrêt. Des centaines de milliers d'amendes infligées à des humains ne justifient pas l'erreur d'un véhicule autonome. Et l'absence de baisse avérée des accidents ne signifie pas que les caméras soient inutiles : il faut une évaluation d'effet adéquate.

La conclusion pratique pour une équipe produit IA est simple : avant de passer à l'échelle, vérifiez si votre chiffre d'affaires est lié à la résolution du problème du client. Sinon, vous risquez de bâtir un service performant qui, pour continuer à croître, a besoin que le problème persiste.