Le Pentagone pourrait confier à des chatbots d'IA la priorisation des cibles de ses frappes militaires

Pour la première fois, le Pentagone décrit assez ouvertement un scénario dans lequel l'IA générative ne se contente pas d'aider les militaires à chercher des données : elle hiérarchise aussi une liste de cibles. Sur le papier, la décision finale revient toujours à un humain. Mais le simple fait que les chatbots se rapprochent de plus en plus de l'ordonnancement des frappes fait nettement monter les enjeux du débat sur l'usage militaire de l'IA.

Comment cela pourrait fonctionner

Selon un responsable du ministère américain de la Défense au fait du dossier, les militaires peuvent charger une liste de cibles potentielles dans un système génératif qui tourne dans un environnement classifié fermé. L'opérateur demande ensuite au modèle d'analyser les données d'entrée et de formuler des recommandations : quels objectifs sont prioritaires, lesquels peuvent attendre, et quelles cibles il serait le plus logique de frapper en premier. Le système ne prend pas seulement en compte les cibles elles-mêmes, mais aussi des facteurs opérationnels comme la position des avions et la situation tactique générale.

Point important : le responsable a présenté ce dispositif comme un scénario de travail possible, sans confirmer ni démentir qu'un tel schéma soit déjà utilisé lors d'opérations réelles. La question clé reste donc ouverte : où passe aujourd'hui la frontière entre la suggestion analytique et l'influence de l'IA sur la décision de recourir à la force ? En théorie, l'humain reste le dernier filtre. Mais en temps de guerre, ce qui compte n'est pas seulement le droit au dernier clic : c'est aussi l'identité de celui qui fixe l'ordre des opérations.

Sur quelle infrastructure

Le Pentagone dispose déjà du terrain pour une telle approche. Depuis 2017, l'armée américaine utilise Project Maven, un système qui aide à analyser de grands volumes de renseignement, notamment des vidéos de drones et des images satellites, afin de repérer plus vite des cibles potentielles. À l'origine, il s'agissait surtout de vision par ordinateur : la machine aide à détecter un objet, que l'opérateur vérifie ensuite manuellement.

Désormais, une couche conversationnelle à la ChatGPT, Claude ou Grok pourrait venir se greffer sur cette pile. La différence est fondamentale : jusqu'ici, l'IA trouvait et marquait principalement des objets ; elle peut maintenant aussi expliquer, comparer, classer et recommander les étapes suivantes en langage naturel. En théorie, cela accélère le travail des états-majors et des analystes, surtout face à un flux de données important et à une fenêtre de réaction courte.

Dans un tel dispositif, le modèle peut :

• collecter et résumer le renseignement sur plusieurs cibles
• classer une liste d'objectifs par priorité de frappe
• tenir compte du contexte, comme la position de l'aviation et la disponibilité des ressources
• suggérer la cible sur laquelle il serait le plus logique d'agir en premier
• transmettre ses recommandations à des humains, qui doivent ensuite les vérifier

Autre point important : OpenAI et xAI ont déjà conclu des accords permettant d'utiliser leurs modèles dans les environnements fermés du ministère américain de la Défense. Cela ne prouve pas que leurs systèmes participent déjà au ciblage en opération, mais montre à quelle vitesse se met en place la base technique et contractuelle de ces scénarios. Par ailleurs, d'autres publications ont associé des plateformes militaires à Claude, même si le rôle précis des modèles génératifs dans telle ou telle opération n'a pas été confirmé publiquement.

Pourquoi le débat s'est durci

Cette approche est révélée alors que le Pentagone est déjà sous pression après la frappe contre une école de filles à Minab, en Iran. Selon des publications connexes, plus de 100 enfants ont été tués, et une enquête préliminaire a pointé un problème de données obsolètes lors du guidage. Dans ce contexte, toute affirmation selon laquelle l'IA ne ferait qu'« aider » les humains n'a plus rien de rassurant : elle appelle au contraire des questions plus dures.

La principale est simple : quelle est la réalité du contrôle humain si le système produit des réponses convaincantes en quelques secondes et que le temps manque pour les revérifier ? Si l'opérateur a besoin de presque autant de temps pour vérifier de manière indépendante les recommandations du modèle, le gain de vitesse se réduit. Et si les humains se mettent à faire confiance au système par défaut, le risque d'erreur devient systémique. Pour les décisions militaires, c'est particulièrement dangereux : le prix d'une hallucination ou d'un mauvais classement ne se mesure pas en rapports de bug, mais en vies humaines.

Ce que cela signifie

L'IA générative ne s'installe pas seulement dans les processus de bureau, mais aussi dans la partie la plus sensible de la machine militaire : la préparation des décisions de recours à la force. Même si l'humain reste formellement « dans la boucle », la vraie question est désormais ailleurs : cet humain peut-il réellement vérifier la recommandation du modèle avant qu'elle ne se transforme en frappe ?