L’US Army teste une plateforme d’IA expérimentale, COA-GPT, destinée à accélérer la planification sur le champ de bataille, avec un objectif affiché, passer de jours ou heures de travail à quelques secondes. L’outil est évalué à Fort Irwin, en Californie, dans le cadre de Project Convergence Capstone 6, le principal exercice d’expérimentation de l’armée américaine. Le dispositif est présenté comme un soutien à la décision, sous supervision humaine, plutôt qu’un remplacement des planificateurs.
Derrière la promesse de vitesse, l’enjeu porte sur la méthode, intégrer l’IA dans des chaînes de commandement réelles, sans accroître les erreurs, la confusion ou la charge cognitive des équipes.
COA-GPT vise une planification ramenée à quelques secondes
Le système baptisé Course of Action Generative Pre-trained Transformer, ou COA-GPT, est conçu pour générer rapidement des courses of action, des options de manuvre et de planification, puis aider à les comparer et à les évaluer. L’armée américaine met en avant un gain de temps majeur, avec des délais de planification qui peuvent, selon les situations, s’étendre sur des jours ou des heures, et que la plateforme chercherait à réduire à des secondes. L’ambition opérationnelle est de permettre des ajustements plus fréquents, au rythme des changements de situation.
COA-GPT s’inscrit dans une logique de soutien aux états-majors et aux équipes de renseignement, en produisant des recommandations à partir de données disponibles et de cadres doctrinaux. Le programme vise notamment à accélérer les phases de travail les plus consommatrices en temps, comme l’élaboration d’hypothèses, la formalisation de variantes et la mise en cohérence des contraintes. Pour l’armée, le bénéfice attendu ne se limite pas à la vitesse, il porte aussi sur la capacité à explorer plus d’options avant de trancher.
Le discours officiel insiste sur le maintien d’un contrôle humain. L’IA n’est pas présentée comme un décideur, mais comme un outil qui propose, structure et met en forme des alternatives pour des responsables qui conservent la validation finale. Cette approche répond à une préoccupation récurrente dans l’adoption des systèmes autonomes, éviter que la rapidité n’entraîne une acceptation automatique des sorties de l’outil, sans vérification suffisante.
Dans les scénarios de conflit de haute intensité, l’armée anticipe des environnements plus dégradés, plus brouillés et plus dynamiques, où les fenêtres de décision se réduisent. COA-GPT est donc évalué sur sa capacité à rester utile quand les informations sont incomplètes, quand les hypothèses changent, ou quand plusieurs unités doivent coordonner des décisions dans des délais courts. Le test vise à mesurer la valeur réelle de l’outil dans un rythme opérationnel contraint, et pas uniquement en laboratoire.
Project Convergence Capstone 6 sert de banc d’essai à Fort Irwin
La plateforme est évaluée dans le cadre de Project Convergence Capstone 6, présenté comme le plus grand exercice d’expérimentation de l’US Army. L’événement se déroule à Fort Irwin, en Californie, un site régulièrement utilisé pour des entraînements à grande échelle et des essais de concepts. L’objectif est de confronter des technologies émergentes à des contraintes proches de celles d’un engagement réel, avec des unités, des capteurs, des réseaux et des procédures opérationnelles.
Dans ce type d’exercice, l’enjeu est de vérifier l’intégration, la compatibilité et la robustesse. Un outil de planification accélérée n’a d’intérêt que s’il s’insère dans des processus existants, sans créer de frictions supplémentaires. Les expérimentations cherchent donc à observer comment les planificateurs interagissent avec la plateforme, à quel moment elle apporte un gain, et dans quels cas elle risque de produire de la complexité ou de la confusion.
Project Convergence sert aussi à tester la capacité d’adaptation. Les armées évoquent des champs de bataille où les paramètres changent rapidement, apparition d’une menace, perte d’un lien de communication, déplacement d’une unité, modification d’un objectif. Dans ce contexte, COA-GPT est attendu sur sa capacité à régénérer des options et à mettre à jour des plans de manière réactive, tout en restant compréhensible pour les équipes qui doivent exécuter les ordres.
Les résultats recherchés ne se limitent pas à des mesures de performance informatique. Les évaluateurs s’intéressent à des indicateurs concrets, compréhension des propositions, rapidité de validation, cohérence avec la doctrine, et impact sur la coordination entre niveaux de commandement. La question centrale est de savoir si l’IA accélère la décision, ou si elle déplace simplement la charge de travail vers une autre étape, par exemple la vérification et la correction des propositions.
DEVCOM Army Research Laboratory revendique une IA ancrée dans la doctrine
COA-GPT a été développé par des chercheurs du DEVCOM Army Research Laboratory, l’institution de recherche fondamentale de l’armée américaine. Selon les éléments communiqués, la plateforme combine de l’IA générative avec des décennies d’expérience militaire et des éléments de doctrine pour aider les responsables à générer, comparer et évaluer des options. Cette référence à la doctrine vise à rassurer sur la cohérence des propositions et sur leur compatibilité avec les méthodes de planification déjà utilisées.
Le programme est porté par le Dr Amar Marathe, présenté comme responsable du projet. Son message met l’accent sur l’augmentation des capacités humaines, plutôt que sur l’automatisation de la décision. Dans cette approche, l’IA agit comme un accélérateur de préparation, un outil qui peut formuler des variantes, expliciter des hypothèses et structurer des choix, pendant que les planificateurs conservent la responsabilité de l’arbitrage.
Le défi affiché est celui de l’intégration homme-machine. Dans une organisation où la décision est collective, hiérarchisée et contrainte par des procédures, une IA doit être compréhensible, traçable et utilisable sous pression. L’armée cherche donc à éviter un outil perçu comme une boîte noire, dont les sorties seraient difficiles à expliquer. Plus la plateforme est rapide, plus la question de la justification devient centrale, car le risque est de créer une illusion de certitude.
Un autre point concerne la manière dont l’IA s’insère dans les flux de travail. Les équipes disposent déjà d’outils, de briefings, de formats de production d’ordres et de cartographies. COA-GPT est présenté comme compatible avec ces pratiques, ce qui implique des interfaces adaptées et des sorties exploitables. Dans un cadre opérationnel, un gain de temps n’existe que si le produit final est directement utilisable, sans transformation lourde.
Une interface cartographique pour réduire la charge cognitive des commandants
Un volet important du projet porte sur l’interface, et sur la capacité des machines à comprendre l’intention humaine. Selon le programme, l’un des défis scientifiques est d’améliorer la compréhension de l’intention à travers des équipes mixtes, soldats et systèmes dotés d’IA. Pour répondre à cette difficulté, COA-GPT intègre une interface graphique avancée développée en partenariat avec Hyssos Tech.
La plateforme s’appuie sur des outils visuels comme des cartes partagées et des entrées graphiques pour permettre aux responsables de communiquer plus naturellement avec l’IA. L’idée est de limiter les malentendus et de réduire la charge cognitive, en traduisant des objectifs, des contraintes et des priorités dans un langage visuel plus proche des pratiques des états-majors. Une interface de ce type peut aussi aider à standardiser la manière dont les propositions sont présentées.
Dans les opérations modernes, la coordination implique souvent des systèmes autonomes ou semi-autonomes, drones, capteurs, moyens de guerre électronique, ou plateformes robotisées. COA-GPT vise à aider les commandants à guider ces systèmes agentiques sans multiplier les frictions. Si les ordres sont plus clairs et mieux alignés sur l’intention, l’exécution peut gagner en cohérence, surtout quand plusieurs unités doivent converger sur un même objectif.
Le risque reste celui d’une surconfiance dans la représentation graphique. Une carte peut donner une impression de maîtrise, alors que les données sous-jacentes sont partielles ou datées. Les expérimentations doivent donc vérifier comment les utilisateurs interprètent les recommandations, et si l’outil encourage la vérification plutôt que l’acceptation automatique. Le bénéfice attendu est une meilleure communication, mais la qualité dépendra de la discipline d’emploi et des garde-fous intégrés.
Une architecture modulaire pour tester des composants d’IA sans tout reconstruire
COA-GPT a été conçu avec une architecture plug-and-play décrite comme flexible, permettant de remplacer des composants et d’essayer de nouvelles capacités d’IA sans reconstruire l’ensemble. Pour une organisation qui expérimente rapidement, cette modularité est un atout, car elle permet de comparer des approches, d’intégrer de nouveaux modèles ou de nouveaux modules, et d’itérer plus vite sur les points faibles identifiés en exercice.
Cette approche modulaire facilite aussi l’évaluation de la performance réelle de chaque brique. Dans un système complexe, il est souvent difficile de déterminer si une amélioration vient du modèle, de l’interface, des données d’entrée ou des règles de validation. En isolant des composants, les équipes peuvent mesurer l’impact de changements précis, par exemple une meilleure génération de variantes, une meilleure structuration des contraintes, ou une meilleure présentation des résultats aux utilisateurs.
Pour l’armée, la modularité répond à un problème pratique, la technologie évolue vite, et les cycles d’acquisition sont longs. Un système figé risque d’être dépassé avant d’être déployé. Une architecture adaptable permet de maintenir une continuité d’usage, tout en modernisant progressivement les briques internes. Cela peut aussi réduire les coûts de développement, en évitant de repartir de zéro à chaque évolution.
Les tests en conditions d’exercice doivent encore répondre à des questions concrètes, quelles données alimentent la plateforme, quelles limites sont imposées à la génération, comment les propositions sont tracées et justifiées, et comment les utilisateurs signalent des erreurs. La promesse d’un passage à l’échelle dépendra de la capacité à transformer un prototype en outil robuste, résilient et gouvernable dans le temps, au sein d’une chaîne de commandement où la responsabilité humaine reste centrale.
