Il y a deux ans, Safran mettait 220 millions d’euros sur la table pour s’offrir la pépite Preligens, pari audacieux sur une start-up née dans l’orbite de la Direction du renseignement militaire (DRM). Depuis, la chrysalide est devenue Safran.AI, et ce qui ressemblait encore à un pari ressemble aujourd’hui à une évidence. Kayrros Defense absorbé, TACTICAAI embarqué comme partenaire de combat, des algorithmes actifs en Ukraine, au Moyen-Orient, dans le Golfe : en 24 mois, l’entité a changé de dimension.
C’est à Eurosatory 2026 que nous nous sommes posés, le temps d’un café, avec François Bourrier-Soifer, directeur général délégué de Safran.AI, pour mesurer le chemin parcouru depuis le rachat de Preligens et l’ambition qui anime désormais l’entité. Il prend le temps de peser chaque mot, conscient des enjeux, attentif aux nuances, naviguant avec aisance entre le temps long de la recherche et l’urgence des théâtres d’opérations.
Des fonds marins à la très haute altitude (THA), de la fusion multi-capteurs à l’évaluation des impacts de frappes, de la robustesse des modèles en conditions dégradées à la permanence des ballons stratosphériques ; l’entretien qui suit dessine les contours d’une IA de défense qui a cessé d’être une promesse pour devenir, selon ses propres mots, une réalité « combat proven ». Sur les performances des « oreilles d’or » de la Marine nationale en revanche, motus : certains résultats ne se commentent pas.
OpexNews : Vous fusionnez quasiment tout le spectre des signaux, de l’acoustique sous-marine à l’imagerie radar et optique en passant par l’électromagnétique. Techniquement, qu’est-ce qui est le plus difficile à fusionner, et où en êtes-vous d’une vraie fusion multi-capteurs en temps réel ?
François Bourrier-Soifer : La question est loin d’être simple. Les difficultés se situent à plusieurs niveaux.
Le premier est celui de la donnée elle-même. Certains types de signaux sont intrinsèquement complexes à traiter, et l’expertise nécessaire pour les comprendre et les exploiter est parfois rare. L’acoustique sous-marine en est l’exemple le plus évident : avant même de parler de fusion, il faut déjà savoir extraire quelque chose d’intelligible du signal brut.
Le deuxième niveau est celui de la fusion proprement dite. Une fois ce verrou levé – une fois qu’on obtient des détections propres -, croiser ces résultats avec d’autres sources, un signal AIS1 par exemple, n’est pas nécessairement ce qu’il y a de plus complexe techniquement.
Le troisième niveau, et c’est celui que mes clients connaissent bien, c’est la réalité des organisations. Les données existent souvent dans des silos, portées par des réseaux hétérogènes qui ne se parlent pas. Avant même de fusionner quoi que ce soit, il faut s’assurer que les données peuvent se retrouver au même endroit, et que les ontologies utilisées par chaque système sont suffisamment compatibles pour se répondre.
En résumé : les difficultés tiennent à la nature de la donnée, à l’architecture des réseaux, et aux cas d’usage inédits que l’on cherche à adresser en croisant des sources qui n’avaient jamais été mises en regard. On les surmonte les unes après les autres.
Vous maîtrisez désormais l’aval de la chaîne, l’évaluation des impacts de frappes à partir de sources satellitaires. Comment votre intelligence artificielle (IA) distingue-t-elle un dégât réel d’un leurre ou d’une dissimulation adverse ?
Lorsque notre IA est exploitée à son plein potentiel – et c’est là que la multimodalité prend tout son sens -, le Battle Damage Assessment (BDA) ne repose pas sur une seule source, mais sur un faisceau de données croisées : électro-optique, radar, et potentiellement d’autres modalités encore. C’est d’ailleurs ce que vous avez pu observer sur TACTICAAI. Cet empilement de couches d’information produit mécaniquement un niveau de confiance sur l’évaluation des dégâts bien supérieur à ce qu’offrirait une source unique.
Cela dit, ce niveau de confiance reste étroitement lié à la nature de la cible. Un objectif enfoui en profondeur, par exemple, résistera à toute tentative de certitude, quelle que soit la richesse des données satellitaires mobilisées. À l’inverse, un objectif en surface, observable et bien documenté, permettra d’atteindre un degré de certitude bien plus élevé.
Il n’y a donc pas de réponse absolue à cette question. Tout dépend de ce qu’on cherche à évaluer et de la donnée disponible ; un peu à la manière des systèmes de cotation utilisés dans le renseignement. Ce qu’on produit, c’est un niveau de confiance gradué sur la réalité de la destruction, pas un verdict binaire.
Les conflits récents ont imposé la revisite satellitaire comme l’un de leurs grands enseignements. En quoi est-ce devenu un facteur déterminant, et comment l’écosystème s’organise-t-il aujourd’hui pour y répondre ?
C’est effectivement l’un des enseignements les plus structurants de ces deux dernières années de conflit. Et il bouscule un certain nombre d’idées reçues : pendant longtemps, la course dans l’imagerie spatiale a été une course à la résolution. Ce qu’on observe aujourd’hui, c’est que la vitesse d’accès à l’image est devenue tout aussi déterminante, voire davantage. Une image parfaitement résolue qui arrive trop tard ne sert à rien. Ce qui fait la différence sur un théâtre d’opérations, c’est de savoir avant, et d’agir en conséquence. C’est l’avantage informationnel dans sa forme la plus concrète.
L’écosystème l’a bien compris, et tous les acteurs convergent aujourd’hui vers cet objectif. Iceye s’est imposé comme un acteur de référence dans ce domaine. BlackSky a consenti des investissements très significatifs sur la cadence de revisite, avec des résultats vraiment remarquables. Du côté d’Airbus, des constellations comme Pléiades Neo ou CO3D2 incarnent bien cette ambition.
Mais ce qui est peut-être le plus frappant, c’est ce qui se passe au niveau de la chaîne de traitement et de transmission. Des start-up comme Skynopy travaillent au plus près des stations sol pour réduire les délais de descente des données. Des approches par liaison laser – Cailabs en est à mon sens un des champions – permettent de s’affranchir de l’attente du passage au-dessus d’une station pour rapatrier l’information. Et de notre côté, nous optimisons l’architecture de nos modèles pour réduire les temps d’inférence.
Ce que les ingénieurs inventent pour grappiller du temps à chaque maillon de cette chaîne est fascinant. Et les progrès réalisés ces dernières années sont considérables.
Vous décrivez une IA « combat proven » plutôt que de démonstration. Concrètement, qu’est-ce qui change dans un modèle entraîné et validé en conditions réelles par rapport à un modèle de laboratoire ?
La différence est fondamentale. En conditions opérationnelles, la donnée est rarement propre. Le tasking urgent impose ses contraintes : l’image peut être dégradée, l’angle d’incidence n’est pas celui qu’on aurait choisi, les conditions d’acquisition sont loin d’être idéales. Le corpus de données réelles ressemble souvent très peu à ce qu’on présente en démonstration : ces belles images prises de haut, sans nuages, avec des observables nets et bien ordonnés.
En laboratoire, tout est maîtrisé. Sur le terrain, c’est une autre réalité : le système part dans une caisse, monte dans un camion, doit résister au froid, à la chaleur, aux chocs – et passer la douane au passage. On l’a appris dans la douleur. Au début, ça ne fonctionne pas, et c’est difficile à accepter. Mais c’est précisément cette expérience accumulée qui fait notre force aujourd’hui.
Nous faisions de l’IA de renseignement avant 2022 – déjà en production, pas en expérimentation. Aujourd’hui, nos solutions sont encore plus proches des opérations, et elles sont réellement utilisées et quand je dis réellement, ce n’est pas une formule. Ce sont des outils employés quotidiennement par des services et des forces armées, et pas uniquement françaises. Ce qui est particulièrement structurant pour nous, c’est que ces utilisateurs sont engagés dans des conflits actifs. Cela nous apporte énormément : sur les concepts d’emploi, sur les fonctionnalités attendues, sur les exigences de robustesse. C’est un retour d’expérience (RETEX) qu’aucun laboratoire ne peut reproduire.
Lors d’Epic Fury aux Émirats, Tactica AI et Safran.AI ont déployé leur solution commune en moins de 24 heures. Qu’est-ce qui, dans votre architecture commune, permet une mise en œuvre aussi rapide sur un théâtre nouveau ?
24 heures. C’est le temps qu’il nous a fallu pour déployer la solution. Pas un prototype, pas une démonstration ; un système opérationnel, tourné sur de vraies images, entre les mains de vrais utilisateurs. Pour y arriver en ce délai, il faut que tout soit déjà prêt, que la maturité soit réelle. C’est exactement ce que recouvre la notion de combat proven : non pas un label qu’on s’attribue, mais la reconnaissance, y compris par des utilisateurs qui ont le temps d’évaluer leurs options, que la solution apporte un avantage informationnel tangible.
Ce qui a rendu cette performance possible, c’est d’abord le niveau technique exceptionnel des équipes de TACTICAAI. Lorsque deux équipes partagent le même langage, la même compréhension des systèmes, les mêmes réflexes – ça va à une vitesse remarquable. Il n’y a pas de temps perdu à se traduire mutuellement.
La pression des événements a également tout accéléré. Les équipes de TACTICAAI ont travaillé sans relâche pendant plusieurs semaines – pas selon des horaires de bureau, mais en continu, jour et nuit. Des problèmes d’interconnexion se réglaient lors de sessions à 23 heures. Il y avait de la fatigue, bien sûr – mais surtout un engagement total, une énergie collective qu’on ne fabrique pas. J’en garde un souvenir très fort.
Ce partenariat est, à bien des égards, un modèle du genre. D’habitude, les acteurs se jaugent longuement avant de vraiment travailler ensemble. Là, les circonstances ont brûlé les étapes, et ça a fonctionné. Nous pensons d’ailleurs en tirer un RETEX interne pour identifier ce qui a fait le succès de cette collaboration. Aujourd’hui, nous avons un carnet d’idées communes et, surtout, l’envie sincère de les concrétiser.
Vous revendiquez un modèle ouvert, capable de se connecter à n’importe quelle plateforme, y compris Maven. Comment garantissez-vous l’interopérabilité technique sans dégrader la performance ni la sécurité de vos modèles ?
Nos solutions s’intègrent aujourd’hui sur de nombreuses plateformes tierces – Maven (Palantir), TACTICAAI, Arcadia, l’initiative française sur laquelle nous sommes bien engagés – et nous menons ce type de discussions avec un nombre croissant de partenaires, français comme étrangers.
Ce que nous revendiquons, ce n’est pas tant une ouverture généralisée que la modularité. Concrètement, cela signifie deux choses. D’un côté, si un partenaire souhaite intégrer son propre détecteur ou son propre algorithme dans l’une de nos solutions, c’est possible – nous avons déjà plusieurs exemples de ce type de collaboration. De l’autre, nous n’arrivons pas systématiquement avec une architecture complète, du sol au plafond. Lorsqu’un système existant apporte déjà de la valeur, nous venons simplement compléter ce qui manque, avec les bonnes briques, pour optimiser l’ensemble sans tout reconstruire.
Sur la cybersécurité, c’est un travail de fond, quotidien, qui dépasse largement la seule question de l’intégration. Dès lors que vous déployez une solution au sein d’un service de renseignement, vous ne pouvez pas postuler que personne ne tentera de l’attaquer ou de l’ouvrir. Ces enjeux sont traités à travers des procédures et des méthodes rigoureuses. Et la réalité, c’est que plus le système hôte est fermé, plus l’intégration est maîtrisable. Lorsque l’environnement impose de nombreuses modifications pour accueillir nos technologies, cela exige de travailler en étroite collaboration avec le partenaire, en profondeur, pour ne rien sacrifier ni en performance ni en sécurité.
Le projet Stratowatch vise la détection en très haute altitude. Quel est le principal défi technique sur cette zone grise ?
Stratowatch est issu des activités de défense que nous avons acquises auprès de Kayrros – la branche qui s’appelait Kayrros Defense. Le domaine de la très haute altitude est un sujet passionnant, et ce que je retiens de mes échanges avec cette équipe est rassurant : le verrou n’est pas technique. Ils disposent des outils de traitement du signal et de la maîtrise de la donnée nécessaires pour en extraire quelque chose d’exploitable. Les restitutions effectuées auprès du ministère des Armées l’ont d’ailleurs confirmé de manière convaincante.
La vraie question se situe ailleurs : quelles capacités d’imagerie faut-il mobiliser pour mettre en œuvre ce type de technologie à pleine échelle ? Le monitoring d’un ballon, dont on ne connaît pas la position précise, peut exiger des fauchées3 considérables – et on revient là à ce qu’on évoquait sur la revisite. La difficulté principale ne tient donc pas à ce que nos équipes sont capables de faire – elles sont tout à fait armées pour y répondre – mais à la nécessité de disposer d’une chaîne complète et cohérente, de bout en bout, pour proposer un vrai système opérationnel.
On retrouve Safran.AI à la fois sur Stratowatch et sur le nouveau partenariat avec Hemeria, tous deux liés à la très haute altitude. Ces deux projets s’articulent-ils dans une même stratégie THA ? Et qu’est-ce qu’embarquer vos capteurs sur un ballon stratosphérique apporte que ni le drone ni le satellite ne permettent ?
Ces deux projets ont effectivement en commun la très haute altitude. Mais je ne pourrai pas en dire davantage sur leurs liens éventuels : c’est un sujet suffisamment stratégique pour que je m’en tienne là.
Sur ce qu’un ballon stratosphérique apporte que ni le drone ni le satellite ne permettent : c’est avant tout un perturbateur dans le paysage capacitaire. La très haute altitude constitue en elle-même un avantage, car neutraliser un engin évoluant dans cette zone est une tout autre affaire que d’intercepter un drone. Les contraintes de maîtrise du ciel qui pèsent sur les drones – y compris les drones ISR4 – ne s’appliquent tout simplement pas de la même façon à cette altitude.
Face au satellite, l’avantage est différent mais tout aussi réel : c’est la permanence. Un satellite suit son orbite, il passe, il repasse ; vous avez de la revisite, c’est indéniable. Mais un ballon, lui, stationne. Il est là, il travaille, et il peut tenir cette position pendant une durée très longue. C’est une forme de persistance que le satellite ne peut pas offrir.
Quant au partenariat avec Hemeria, il est le fruit d’une envie commune et d’une relation de respect mutuel qui s’est construite dans le temps – ce n’est pas la première fois que nous avons eu des discussions avec eux. Ils occupent des positions de niche qui présentent un intérêt réel pour nous. Ce qui est nouveau, c’est qu’on a enfin pu concrétiser cette collaboration et en parler publiquement.
Detevent cherche à identifier des événements plutôt que des objets – par exemple l’ouverture d’une base militaire. En quoi est-ce un saut technologique par rapport à la détection d’objets classique ?
Ce qui compte ici, c’est avant tout la complémentarité. L’acquisition des activités de défense de Kayrros ne répond pas à un besoin de rattrapage technologique – nous savions déjà faire. Elle vient combler des manques dans notre proposition de valeur, apporter des briques qui nous faisaient défaut pour adresser certains cas d’usage.
Et c’est précisément ce qui nous a convaincus. Au-delà de l’évidente compatibilité culturelle entre les deux équipes, nous avons rapidement réalisé que l’articulation entre nos savoir-faire respectifs était particulièrement bien ajustée. Ce que nous sommes capables de construire ensemble dépasse largement la somme de ce que chacun pouvait proposer séparément – et c’est ce que nous voulons offrir à nos clients.
- Système d’identification automatique ↩︎
- Constellation Optique en 3D ↩︎
- Largeur de la bande au sol couverte par un capteur lors d’un passage ↩︎
- Intelligence Surveillance and Reconnaissance ↩︎
Photo © Safran / Cyril Abad