D’un côté, des assistants qui rédigent vos courriels et résument vos réunions. De l’autre, un avion qui apprend à reconnaître une piste d’atterrissage. Les deux portent le nom d’IA. Elles ne jouent pas la même partie, et c’est précisément là que se loge le pari d’Airbus.
À VivaTech, Fabrice Valentin, vice-président chargé de la stratégie en intelligence artificielle du groupe Airbus, l’a posé sans détour : l’avionneur va « explorer le champ très prometteur de l’IA physique » avec Mistral AI. Une phrase anodine en apparence, mais qui dessine une ligne de partage entre deux familles d’IA que tout oppose.
Deux intelligences artificielles, deux mondes
L’IA qui occupe l’espace médiatique est une IA d’usage : elle parle, génère du texte, du code, des images. Son terrain de jeu est l’écran, et ce terrain est largement tenu par les grands laboratoires américains, qui captent l’attention comme les usages.
L’IA physique vise autre chose. On désigne par là les systèmes qui perçoivent un environnement réel par des capteurs, le comprennent et agissent dessus. C’est la cousine industrielle des world models, ces modèles qui apprennent à représenter le monde physique pour anticiper ce qui va s’y passer. Pas un interlocuteur, un capteur. Pas une conversation, une décision sous contrainte.
L’une promet la fluidité et l’ubiquité. L’autre promet la fiabilité dans un cockpit. Et entre les deux, le fossé n’est pas de degré, il est de nature.
Le mur du déterminisme
Ce fossé, Valentin le résume par un chiffre qui dit tout de la culture aéronautique : 10⁻⁹. Soit la recherche d’une certitude quasi absolue, où la probabilité de défaillance se compte en milliardièmes. Les autorités de certification exigent une transparence totale sur les algorithmes et une visibilité complète sur toute la chaîne technologique.
Or l’IA, par construction, repose sur des modèles probabilistes. Elle propose, elle estime, elle ne garantit jamais. Confronter une machine qui calcule des probabilités à un monde qui exige des certitudes : voilà le défi de fond, et il n’a rien d’un détail d’ingénierie.
La réponse d’Airbus n’est pas de choisir un camp, mais de les articuler. L’IA génère des éléments que des tests purement déterministes valident ensuite. Les agents d’IA s’appuient sur des outils déterministes. Et le contrôle humain est placé au bon endroit de la chaîne. Résultat assumé par Valentin : des niveaux de certitude supérieurs à ce que le machine learning laissait espérer il y a encore quatre ans.
Ce que DragonFly a vraiment prouvé
DragonFly, ce projet expérimental né dans la filiale d’innovation UpNext, est souvent réduit au fantasme de l’avion autonome. Sa démonstration la plus visible tourne autour du visual landing, l’atterrissage assisté par vision : le « Graal », reconnaît Valentin, mais de la recherche de long terme.
L’erreur serait de juger DragonFly sur cette promesse. Sa leçon est ailleurs : il faut confronter l’IA au monde réel, la pratiquer sur des cas concrets pour valider la capture et la qualité des données, et s’assurer que le système tient en conditions opérationnelles. Avant toute offre commerciale, le test en vol est non négociable.
Et la posture est révélatrice. Le visual landing n’est pas pensé comme une technologie de substitution qui remplacerait le pilote, mais comme un capteur supplémentaire. Il s’ajoute à l’ILS (le système d’atterrissage aux instruments) et au GPS pour apporter une couche de redondance et relever le niveau de confiance global de l’appareil. Là où le discours grand public parle de remplacement, l’industrie parle d’addition.
Souveraineté : le pari d’un autre terrain
C’est ici que le partenariat avec Mistral prend son sens stratégique. Sur l’IA d’usage, la course est largement engagée et les positions américaines, solides. Sur l’IA physique, ancrée dans des données industrielles propriétaires, des contraintes de certification et un savoir-faire matériel, les cartes ne sont pas distribuées de la même manière.
Un avionneur européen détient ce que les modèles génériques n’ont pas : la donnée de vol, l’expertise de certification, l’accès au monde réel. Car le modèle, lui, se banalise : NVIDIA diffuse déjà en open source sa famille Cosmos, taillée pour entraîner l’IA physique. L’avantage se déplace alors vers ce qu’on donne à apprendre à la machine. Un laboratoire européen comme Mistral apporte les modèles. Le couple ne cherche pas à rattraper la conversation, il tente d’ouvrir un autre front, où la barrière à l’entrée n’est pas la puissance de calcul mais la maîtrise du physique.
Le signal vaut au-delà de l’aéronautique. Mistral a par ailleurs constitué une filiale défense et travaille sur un agent de programmation destiné à des applications militaires. La logique est cohérente : se positionner là où la souveraineté n’est pas une option marketing mais une exigence réglementaire et stratégique.
L’Europe sur le bon créneau ?
Rien n’est joué. L’IA physique reste, pour partie, de la recherche, et les obstacles de certification se mesurent en années, pas en cycles de mise à jour de modèle. Airbus le dit lui-même : on parle de long terme.
Mais le choix de terrain, lui, est déjà fait. Pendant que l’attention se concentre sur les assistants qui parlent, une autre IA se construit dans les avions, les usines et les systèmes critiques, loin des classements de chatbots. C’est sur ce créneau, exigeant et peu spectaculaire, que l’Europe peut encore écrire sa propre partition. Reste à savoir si elle saura faire de cette discrétion un avantage plutôt qu’un angle mort.
