L’IA et le paradoxe des échecs du renseignement

Le premier apport de l’article est de faire dialoguer deux littératures qui s’ignorent souvent. L’autrice reproche aux praticiens optimistes de ne pas se confronter à la vaste littérature sur les causes de l’échec, et elle comble ce manque avec une grille claire, étape par étape du cycle.

Le deuxième apport, le plus utile pour l’analyste, est la distinction, reprise de la littérature, entre « énigmes » et « mystères ». Le renseignement sur les énigmes (localisation et capacités d’un système d’armes, ordre de bataille) peut être plus fiable que le renseignement sur les mystères (intentions futures, détermination). Lonergan s’appuie sur Goldfarb et Lindsay : la performance de l’IA dépend de la qualité des données et de la clarté du jugement attendu. Autrement dit, l’IA aide là où les données sont abondantes et le problème bien posé, et elle devient fragile là où le jugement compte le plus. Les modèles, écrit-elle, ne peuvent fournir qu’« un éclairage tiré du passé ».

Le troisième apport est le traitement du biais d’automatisation, défini comme l’usage « d’indices automatisés comme substitut heuristique à une recherche et un traitement vigilants de l’information ». Ce biais n’est pas nouveau, mais l’IA le rend plus saillant, et l’adversaire peut l’exploiter. L’autrice en tire une conséquence fine : à force de s’appuyer sur ce que les outils traitent bien, l’analyste peut privilégier les données faciles à structurer, et l’IA « peut conduire à un rétrécissement des types de données » utilisées, au détriment des indices de contexte qui annoncent justement les ruptures.

Limites méthodologiques

L’article est une synthèse conceptuelle : il ne teste rien, et l’autrice le reconnaît en parlant d’hypothèses plausibles. Les cas cités illustrent le propos sans le démontrer, et presque tous précèdent l’IA actuelle. Le seul cas récent, le 7 octobre 2023, documente une confiance excessive dans la supériorité technologique en général, pas un échec imputable à l’IA en particulier.

Plus intéressant : l’article présente lui-même les critiques adressées à la littérature pessimiste, sans se les appliquer. Il rappelle que les études rétrospectives sur-représentent les échecs par rapport aux succès, et que l’auteur Ariel Levite conteste l’idée qu’il y ait toujours des signaux disponibles avant une attaque surprise. Si Levite a raison, le gain de l’IA sur la collecte et le tri pourrait peser plus lourd que ne l’admet l’autrice. Le seul succès cité, Raven Sentry, qui aurait mieux prédit des attaques en Afghanistan que les analystes seuls, mériterait d’être mis en regard des échecs, plutôt que traité comme une exception confirmant la règle.

Enfin, le périmètre est américain, occidental et étatique ; l’extension à d’autres régimes n’est que suggérée. L’analyse porte sur l’état présent de la technologie : l’autrice exclut l’IA générale et admet que des agents d’IA pourraient déplacer l’équilibre entre l’humain et la machine, voire la structure même du cycle.

Biais

L’article raisonne depuis les grandes communautés de renseignement, avec leurs capteurs, leurs budgets et leurs programmes. C’est un biais de position plus qu’une erreur : il laisse de côté les analystes qui travaillent sans satellites, en sources ouvertes, dans des entreprises, des cabinets ou des ONG, et qui utilisent des outils commerciaux qu’ils ne maîtrisent pas.

L’article porte aussi une préoccupation politique explicite : sa recommandation qualifiée de « plus urgente » vise la politisation du renseignement aux États-Unis. Elle est argumentée et l’actualité récente lui donne du poids, mais elle oriente la lecture : la politisation y est surtout pensée du côté du décideur, moins du côté de l’analyste qui se conforme d’avance à ce qu’on attend de lui.

Enfin, une asymétrie traverse le texte. L’IA y est jugée sur son explicabilité, ce qui est légitime ; mais l’analyste humain est implicitement crédité d’un raisonnement transparent qu’il n’expose pas toujours.

Conclusion

L’article de Lonergan constitue une contribution utile : il force le dialogue entre optimisme technologique et littérature sur les échecs du renseignement, et rappelle que l’IA performe mieux sur les énigmes que sur les mystères. Ses limites (caractère conceptuel, cas peu contemporains, biais de position étatique occidental) invitent toutefois à la prudence : le gain réel sur la collecte et le tri ne doit pas être sous-estimé, et les risques de biais d’automatisation ou de rétrécissement des données restent concrets pour tout analyste.

Article analysé : Erica D. Lonergan, « The paradox of intelligence failures in the age of artificial intelligence », Intelligence and National Security, 2026.

Initialement publié sur LinkedIn le 19/10/2026 dans la newsletter A Week In Intelligence : L’IA et le paradoxe des échecs du renseignement.