Maven Smart System (MSS) raccourcit le trajet entre l’observation d’un capteur et une proposition d’action. Son architecture explique la vitesse. Les sources publiques ne montrent pas que la qualité du contrôle, la responsabilité ou le jugement ont progressé au même rythme.
Le chiffre « moins d’une minute » porte un astérisque
Army Times rapporte qu’une transmission numérique d’un dossier de cible a pris 743 minutes en 2020 pendant la série d’exercices Scarlet Dragon. En 2024, un officier du XVIIIe corps aéroporté indique qu’une itération ultérieure est passée sous la minute. Le processus s’est nettement accéléré. Mais il ne s’agit pas d’une étude avant-après contrôlée : les exercices, les logiciels, les équipes et les conditions avaient changé.
Un article distinct de 2025, hébergé par le département américain de la Défense, rapporte une réduction connexe de 724 à 20 minutes lors d’exercices Project Maven. Les deux récits suggèrent moins de transferts et un routage plus rapide. Leurs références diffèrent : le chiffre inférieur à une minute reste une performance rapportée en exercice, pas un niveau de service opérationnel universel.
Il faut donc examiner le processus, pas le titre : quelles étapes ont basculé dans le logiciel, quels jugements restent humains et si la capacité de contrôle suit le nouveau débit.
Partie A : suivre une observation, pas le schéma produit
Une image satellite couvre une vaste zone. Un modèle de vision par ordinateur signale un véhicule possible, avec un lieu, une heure et un niveau de confiance. Ce résultat est une observation, pas une cible vérifiée. Des documents publics de l’US Army décrivent la publication des détections Maven, issues d’images électro-optiques ou radar, dans une couche partagée que consultent les officiers de ciblage et les analystes GEOINT.
Palantir appelle ontologie ce modèle d’objets partagé : une carte gouvernée des entités connues et de leurs relations. La plateforme peut rattacher une image, une ligne de tableur et un message au même objet, avec des identifiants communs et leur provenance. Cela réduit le rapprochement manuel. Afficher deux observations contradictoires sur le même écran ne résout pas leur contradiction.
La documentation publique de Palantir présente Apollo comme la couche de déploiement et de gestion des logiciels exécutés dans plusieurs environnements. Les sources publiques ne permettent pas de reconstituer la topologie classifiée exacte de MSS. Les niveaux de sécurité précis, les configurations déconnectées sur le terrain ou les composants tiers déployés en périphérie du réseau restent donc des déclarations fournisseur, sauf confirmation par une source publique officielle.
| Étape | Apport du logiciel | Ce qui exige encore du jugement |
|---|---|---|
| Observation du capteur | Image, vidéo ou autre entrée horodatée | La source est-elle récente, complète et fiable ? |
| Détection par un modèle | Objet possible, position et niveau de confiance | La détection correspond-elle aux éléments sous-jacents ? |
| Objet partagé | Relie observations et contexte sous une même identité | Les sources sont-elles contradictoires, périmées ou dupliquées ? |
| Vue de l’analyste | Présente l’objet dans une situation opérationnelle partagée | Les critères de vérification et de validation approuvés sont-ils respectés ? |
| Action proposée | Transmet un élément contrôlé à l’étape suivante | L’action proposée est-elle légale, nécessaire et appropriée ? |
| Autorisation humaine | Enregistre l’accord, le refus et l’identité | Qui répond de la décision et disposait-il du temps nécessaire ? |
Le contexte partagé réduit les transferts, pas l’incertitude
Le renseignement géospatial (GEOINT) rattache une information à un lieu : une image satellite ou une observation cartographiée, par exemple. Chaque capteur saisit une partie de la réalité, à un instant et avec un niveau de confiance propres. La fusion aligne ces observations pour les comparer.
Une seconde image peut confirmer la détection du véhicule, la contredire ou être trop ancienne pour aider. Le logiciel affiche rapidement ces relations. L’analyste doit encore décider si les sources décrivent le même objet et satisfont les règles en vigueur. La concordance des données ne vaut pas vérité terrain.
Les sources publiques de l’US Army étayent une description limitée : MSS traite des images et de la vidéo en mouvement, publie des détections automatiques dans une vue partagée et soutient des processus de ciblage, de situation opérationnelle et de logistique. Elles n’établissent ni l’identification automatique d’un système précis de défense aérienne ni le remplacement complet d’un processus opérationnel.
Un LLM ajoute une nouvelle surface de contrôle
L’annonce d’acquisition de l’OTAN indique que MSS NATO peut prendre en charge des applications allant de l’apprentissage automatique aux grands modèles de langage (LLM). Elle décrit une capacité, pas un usage. Elle ne nomme ni le modèle employé dans une opération, ni ses accès aux données, ni la place de sa sortie dans une décision de ciblage.
Un LLM pourrait résumer des rapports ou ouvrir un accès en langage naturel à des données structurées. Cela peut réduire le temps de recherche. Cela crée aussi des défaillances précises : résumés non étayés, réserves omises, biais d’automatisation et formulations plus assurées que leurs preuves.
Les sources publiques examinées n’établissent pas que Claude, ou un autre LLM, a participé à un raid nommé, traité des données de ciblage en temps réel ou marqué une première utilisation au combat. Une publication LinkedIn ne peut établir ces détails opérationnels. Sans source primaire, ce ne sont pas des faits.
Un autre enjeu de gouvernance est documenté. Anthropic affirme avoir été désignée comme un « risque pour la chaîne d’approvisionnement » en mars 2026, après l’échec de négociations avec le département américain de la Défense sur des restrictions visant la surveillance intérieure de masse et les armes entièrement autonomes. Ce différend montre comment politique du modèle, achats et continuité peuvent entrer en conflit. Il ne prouve pas, à lui seul, que MSS a fonctionné de manière autonome ou qu’un usage interdit a eu lieu.
La supervision se joue dans l’interface
Une situation opérationnelle partagée regroupe lieux, unités, observations et activités dans une même vue. Des documents publics de l’US Army indiquent que les détections Maven sont visibles par les officiers de ciblage et les analystes GEOINT. Ceux-ci vérifient et valident ensuite les cibles selon des critères approuvés par le commandement. Cette description établit une étape humaine et le référentiel appliqué.
Reste ce que le schéma ne dit pas. Le contrôleur voit-il la provenance, le niveau de confiance, les observations contradictoires et l’âge des données avant d’agir ? Le refus est-il aussi simple que l’accord ? Les dérogations et corrections sont-elles journalisées ? Un contrôle d’approbation peut exister alors que la personne manque d’informations, de temps ou de liberté institutionnelle pour l’exercer.
Partie B : accélérer le routage peut déplacer le goulot vers le contrôle
Les chiffres publics mélangent résultats d’exercice, objectifs de programme, montants contractuels et comparaisons rapportées. Il faut séparer ces preuves : un temps écoulé ne mesure ni la précision ni la qualité de la gouvernance.
| Affirmation publique | Élément de preuve | Ce qu’il ne prouve pas |
|---|---|---|
| 743 minutes en 2020 | Propos d’un officier rapportés par Army Times | Une référence opérationnelle stable |
| Moins d’une minute en 2024 | Propos d’un officier après plusieurs itérations | Des tâches, conditions ou niveaux de précision équivalents |
| 724 à 20 minutes | Article de 2025 hébergé par le DoD sur des exercices connexes | La méthode derrière le chiffre distinct inférieur à une minute |
| 2 000 personnes contre 20 | Comparaison du Center for Security and Emerging Technology rapportée par Army Times | Un remplacement poste pour poste ou un jugement équivalent |
| 1 000 décisions par heure | Objectif de programme rapporté par Army Times | Un débit soutenu et mesuré |
| Marché de 480 M$ | Avis contractuel du DoD, mai 2024 | Une dépense déjà réalisée ou garantie |
| Plafond proche de 1,3 Md$ | Article de DefenseScoop, mai 2025 | Des crédits engagés ou une efficacité mesurée |
| Acquisition OTAN en six mois | Agence NCI de l’OTAN, avril 2025 | Une performance opérationnelle ou la qualité du contrôle |
Les chiffres étayent une affirmation étroite : le logiciel a réduit le temps de recherche, de rapprochement et de routage pendant des démonstrations et des exercices. Ils ne montrent pas que 2 000 jugements humains sont devenus 20 confirmations, ni que chaque transfert supprimé constituait une protection humaine.
La présence d’un humain dans la boucle ne constitue pas, à elle seule, un modèle de gouvernance. Le contrôle n’a de sens que si cette personne dispose des preuves, des compétences, du temps, du pouvoir de refuser et d’une responsabilité claire. Si la demande de contrôle dépasse la capacité, un routage plus rapide peut déplacer la file vers l’attention humaine. Les métriques publiques ne permettent pas de dire si cela s’est produit ici.
Les preuves publiques portent surtout sur l’adoption et la formation
Le dossier public est plus solide sur l’adoption et la formation que sur les opérations réelles :
- Exercices de l’US Army : Scarlet Dragon et des événements connexes ont utilisé des processus d’imagerie assistés par Maven pour tester la détection, la vérification, la validation et le routage accélérés.
- Formation de l’US Army : en mars 2026, le Combined Arms Command a annoncé intégrer MSS à l’enseignement du commandement et à la formation des opérateurs.
- Exercices logistiques : des personnels chargés des contrats ont utilisé une simulation MSS pendant un exercice de 2025 pour maintenir une situation opérationnelle partagée.
- OTAN : le Commandement allié Opérations a acquis MSS NATO en mars 2025. L’OTAN a ensuite documenté des formations, un hackathon et des travaux d’intégration de modèles.
- Contrat américain : l’avis du DoD de mai 2024 décrit un contrat de production de suivi sur cinq ans, dont les commandes dépendent des besoins.
La capacité de contrôle fait partie du système
Selon les principes du département américain de la Défense, les systèmes d’IA devraient être responsables, traçables, fiables et gouvernables, avec un jugement humain approprié. Pour une aide à la décision à fort impact, cela suppose une provenance visible, des usages bornés, des tests réalistes, la détection des défaillances, des journaux d’audit et un moyen de désactiver un comportement inattendu.
Les rapports publics ne donnent ni temps médian de contrôle, ni taux de faux positifs, de dérogation ou de désaccord, ni fréquence des corrections. Cette absence ne prouve pas que les contrôles manquent. Elle empêche l’architecture seule d’établir que la supervision est suffisante, obsolète ou réduite à une formalité.
Traitez la supervision humaine comme un sous-système à capacité limitée. Mesurez sa file et sa latence. Préservez la traçabilité des sources et des modèles. Séparez recommandation et autorisation. Journalisez accords, refus et motifs. Puis vérifiez, sous une pression temporelle réaliste, que les contrôleurs repèrent les conflits et l’incertitude. Le débit décisionnel n’est pas une mesure de sécurité.
Références
- South, T. (2024). This system may allow small Army teams to probe 1,000 targets per hour. Army Times.
- U.S. Army Field Artillery Professional Bulletin. (2024). XVIII Airborne Corps BAS-T Employment.
- Pfaff, A. C. & Hickey, J. R. (2025). Integrating Artificial Intelligence and Machine Learning Technologies into Common Operating Picture and Course of Action Development. U.S. Department of Defense.
- U.S. Army. (2025). Commander and Staff Guide to Data Literacy, No. 25-10.
- U.S. Army. (2025). Contracting personnel use AI, Maven Smart System simulation during warfighter exercise.
- U.S. Army. (2026). Army's Combined Arms Command to integrate Maven C2 smart system into training and education.
- U.S. Department of Defense. (2024). Contract W911QX-24-D-0012, Maven Smart System prototype.
- DefenseScoop. (2025). Growing demand sparks DOD to raise Palantir's Maven contract to more than $1B.
- NATO Communications and Information Agency. (2025). NATO acquires AI-enabled warfighting system.
- NATO Communications and Information Agency. (2025). NCIA participates in Warfighting Innovation Week.
- Palantir Technologies. Foundry introductory concepts: Object Layer (Ontology). Documentation fournisseur.
- Palantir Technologies. Apollo core overview. Documentation fournisseur.
- Anthropic. (2026). Where things stand with the Department of War. Déclaration de l’entreprise.
- U.S. Department of Defense. (2020). DoD adopts five principles of artificial intelligence ethics.
- U.S. Department of Defense. (2023). Directive 3000.09, Autonomy in Weapon Systems.