Chronique 9. IA et détection d'anomalies : L’ALLIANCE, entre promesses et dérives (Partie 1) © Thierry PORTAL

Comme nous l'avons vu dans nos précédentes chroniques, les signaux faibles ne sont pas des prédictions mais plutôt des indices. Leur exploitation repose sur une veille structurée et continue, rendue possible grâce à des outils adaptés et une culture partagée de l’anticipation et de la transversalité.
 
Les cas d’usage managériaux des technologies d’IA deviennent de plus en plus répandus à mesure que les algorithmes d’apprentissage profond nous aident à résoudre des problèmes de plus en plus complexes. Les organisations, publiques ou privées, qui savent comment détecter ces signaux seraient, en théorie, mieux armées à l’avenir car elles ne subiraient plus les ruptures : elles les devanceraient. D’où l’importance supposée de l’IA pour améliorer la démarche de détection précoce des signaux faibles…
 

L’apprentissage automatique (ou machine learning en anglais) est la technologie de base de l’IA. Elle consiste à apprendre aux ordinateurs à trouver de manière autonome des informations dans des ensembles de données. Une fois qu’une machine a reçu un exemple, elle peut passer les données au crible, trouver des modèles et des corrélations sur la base de ce qu’elle a appris. L’algorithme s’adapte et s’améliore au fur et à mesure qu’il traite davantage de données. L’apprentissage profond (ou deep learning en anglais), quant à lui, est un sous-domaine de l’apprentissage automatique : il imite l’architecture des réseaux de neurones du cerveau humain. À la différence de l’apprentissage automatique, il s’appuie sur plusieurs couches de traitement (d’où le terme « profond ») pour identifier des modèles, classer des informations ou reconnaître des paroles, des images, etc parmi des quantités incroyables de données brutes.
 
Il convient ici de faire une distinction entre IA prédictive (2010) et IA générative (2017). D’après la chercheuse L. Devillers (3*) , L’IA (faussement appelée) prédictive « permet de détecter des formes (textes, sons ou autres signaux) et peut être très utile pour un grand nombre d’applications. Elle apprend à faire la différence entre les signaux » tout en étant dans l’incapacité de générer ces derniers. « Elle apprend les détails souvent invisibles à l’œil nu qui sont très souvent répétés, ce qu’on appelle les signaux faibles ». L’auteur illustre son propos en évoquant la détection du cancer où l’IA scrute déjà davantage en quantité et en profondeur les radios que ne le fera jamais un expert en radiologie. Ainsi, elle est en mesure d’analyser de grandes quantités de données historiques pour identifier des corrélations ou des relations sous-jacentes, utilisant ces informations pour en déduire des résultats futurs, voire des comportements. Ainsi, l’apprentissage automatique peut être utilisé pour l’analyse prédictive et la détection d’anomalies, la technologie permettant dès lors de trouver les relations entre des millions de documents internes à une organisation et des sources d’informations externes (telles que les réseaux sociaux, bases de données professionnelles ou encore toute la richesse du web….).
 
L’intelligence artificielle générative (GenIA) est une sous-catégorie de l’IA qui permet la création de nouveaux contenus (textes, images, vidéos, sons, etc.) à partir de modèles entraînés. Ces modèles s’appuient sur de très grandes quantités de données d’entraînement pour apprendre à imiter des styles, des structures et des motifs spécifiques et, surtout, produire des contenus nouveaux. Il s’agit ainsi de s’appuyer sur les possibilités offertes par le « Machine Learning », appliqué à la compréhension du langage naturel (ou NLU pour Natural Language Understanding), pour absorber de très grandes quantités de données par automatisation de la collecte, du traitement et de la lecture de l’information. Plus récente, son principe d’encodage est « régi par un algorithme d’auto-apprentissage fondé sur un mécanisme d’attention » (Devillers, ibid). Elle n’est pas limitée à l’analyse de données existantes : « elle crée de nouvelles données, textes ou réponses à partir de modèles appris ». Les grands acteurs en sont ChatGPT, apparu fin 2022, et ses concurrents Gemini (Google), ClaudeAI, Copilot (Microsoft) et Mistral, tous capables de créer des textes et de dialoguer de façon fluide avec les utilisateurs.
 
Enfin, l’IAG (ou intelligence artificielle générale) désigne une forme avancée d’IA en mesure de reproduire des aptitudes cognitives humaines de manière polyvalente. Elle serait capable, selon L. Devillers (ibid) de « résoudre une large gamme de problèmes, de s’adapter à des contextes inconnus et d’apprendre de manière autonome sans être entraînée pour une tâche précise ». Sa forme la plus aboutie, dite « IA liquide » pourrait révolutionner à très long terme des secteurs entiers, résoudre des problèmes complexes et collaborer avec les humains de façon inédite…

L’IA modéliserait des scénarios contre-factuels : « What if? » (« Que se passerait-il si ? »). Elle explorerait les impacts de décisions alternatives ou les effets de chocs, aidant les décideurs à mieux anticiper les chemins futurs. Cette modélisation est donc en principe plus précise et efficace qu’avec les méthodes classiques. Elle intègre une plus grande quantité de données en temps réel, détecte des relations non linéaires et capture des interactions complexes entre variables disponibles. Issus de secteurs d’activités très variés (publics ou privés), une multitude d’acteurs utilisent ou proposent déjà des solutions issues de l’IA, susceptibles d’identifier des faisceaux d’indices, des récurrences, des « patterns »,… en somme des signaux faibles indiquant des dysfonctionnements et anomalies potentiels.

En voici quelques exemples, issus de points d’attention majeure de la part :

• Détection des entreprises en faillite par l’Etat : Porté par l’incubateur de services numériques Dinum, la StartUp d’Etat « Signaux faibles » a pour enjeu principal de « mieux cibler les interventions en remédiation de l’État vers les entreprises en difficulté » afin d’être proactif dans la prévention et l’accompagnement des entreprises en difficulté.
   
• Prévention des crises financières : En lien avec les travaux de F. Miskhin (2021- 4*) sur la prédictibilité des crises financières, un engouement pour identifier les signaux avant-coureurs a émergé dans la littérature académique. Trois raisons l’expliquent : le développement de nouvelles bases de données, la faiblesse prédictive des modèles traditionnels et la diffusion de l’intelligence artificielle (IA) et du machine learning.
                                                                     
• Préparation aux crises d’origine naturelle : Dans le cadre des projets Criz’Innov et i-Nondations, le projet scientifique novateur GAMA (2018 / 2022 - 5* ) visait à modéliser les inondations rapides, particulièrement difficiles à prévoir et à gérer. Les données collectées par des capteurs (technologiques ou humains) permettaient d’anticiper les risques d’une inondation sur les infrastructures de la ville de Trèbes en France. GAMA est un environnement de développement de modélisation et de simulation permettant de construire des simulations à base d’agents spatialement explicites. Les domaines d’application où GAMA est le plus présent sont le transport, l’urbanisme, l’épidémiologie et l’environnement. Dans le même registre, notons aussi le projet RéSoCIO, cofinancé par l’ANR, dont l’objet est de démontrer l’intérêt et la faisabilité de l’exploitation automatisée des données issues de X (ex Twitter) en contexte de crise d’origine naturelle (crues éclair et séismes) (6*) .
   
• Prévention des violences urbaines : L’anticipation et la préparation sont déterminantes pour anticiper les violences et identifier les émeutiers (7*) . Elles s’effectuent en lien avec le service départemental du renseignement territorial ou la direction du renseignement de la préfecture de police (DRPP), référents pour la détection des phénomènes de violences urbaines et le suivi des quartiers sensibles. Outre la veille des réseaux sociaux qui permet de saisir l’état d’esprit des potentiels fauteurs de troubles, l’IA peut être utilisée de manière préventive : il s’agit alors de « police prédictive » (8*) telle que menée originellement par des territoires états-uniens (Californie, 2010, 1er logiciel prédictif Compstat) ou des villes « tests » comme Palo Alto, Los Angeles avec le logiciel PredPol (voir note 27), exemple le plus symbolique de cette police prédictive « 2.0».                        

• Gouvernance, compliance et management des risques : Le levier de l’Intelligence Artificielle fournirait un outil support et d’aide à la décision aux activités de contrôle et de détection, capable d’automatiser la détection de signaux faibles en matière de faits de fraude et corruption ; et ce, de manière continue et sur un périmètre mondial afin de remonter des alertes auprès des fonctions de contrôle.
   
• Gestion globale et pilotage stratégique d’entreprise : Une IA saurait analyser et piloter une entreprise en temps réel (logiciels « intelligents de projection financière » d’entreprise et de plans d’affaires) : intégrée correctement, une IA observerait la mécanique interne de l’entreprise et en détecterait les fragilités avant qu’elles ne s’amplifient en montrant au dirigeant ce qu’il ne verrait jamais à temps : elle lui donnerait ainsi la possibilité de corriger  et d’ajuster sans attendre la catastrophe.
   
• Management des ressources humaines : Les modèles prédictifs comprendraient le comportement, les performances et les besoins des collaborateurs. En effectuant une analyse approfondie et prédictive des données, ces modèles permettraient d’identifier les signaux provoquant une démission, un turnover important. Cette anticipation permettrait aux responsables RH d’accompagner les managers dans la prise de décisions agiles et de mettre en place des actions correctives pour fidéliser les talents.
   
• Marketing : L’IA anticiperait les comportements, les préférences et les besoins des clients. En exploitant ces prédictions, les entreprises pourraient proposer des solutions adaptées aux besoins des clients avant même qu’ils ne les expriment explicitement, que ce soit à travers des produits, des offres promotionnelles, des messages ou des services. Cette approche, fondée sur des analyses statistiques avancées, permettrait d’optimiser les stratégies de rétention client et de réduire l’attrition en identifiant et en répondant de manière proactive aux besoins des clients.  
   
• Cyber-sécurité : L’IA analyse les flux réseau et détecte en temps réel les comportements suspects (tentatives de phishing, connexions inhabituelles, transferts de données anormaux) et les tentatives d’intrusion. Certains outils d’IA peuvent automatiquement isoler une machine infectée pour éviter la propagation d’un ransomware. Après une cyberattaque, l’IA reconstitue la chaîne des événements, identifie les failles et fournit des recommandations pour renforcer la sécurité.

Pour nombre de praticiens en gestion de crise (public ou privé), l’IA est donc vue comme une alliée précieuse, offrant des solutions innovantes pour anticiper, détecter et répondre à des situations de crise. Grâce à des algorithmes d'apprentissage automatique et à des analyses de données en temps réel, les organisations pourraient non seulement, comme vu plus haut, identifier des menaces potentielles avant qu'elles ne deviennent critiques, mais aussi optimiser leurs réponses en adaptant leurs stratégies en fonction des retours d'expérience. Cet avancement technologique permettrait de renforcer la résilience organisationnelle et d'assurer une meilleure préparation face aux imprévus graves, à l’instar d’Equanimity Crisis, application de simulation de type « gaming » proposant des scénarios un peu crédibles où chaque décision des joueurs est mesurée selon ses impacts sur le jeu.
 
Prenons quelques illustrations parmi les plus connues, avec pour cadre général le « Rhinocéros gris (9*) » sanitaire majeur de ce premier quart de siècle, à savoir l’épidémie mondiale Covid 19 de 2020.

• L'Organisation mondiale de la santé (OMS) utilisait des outils d'IA pour surveiller et prédire les épidémies. Grâce à sa plateforme de veille épidémiologique, l'OMS a déjà pu repérer des foyers d'infection à un stade précoce, permettant ainsi une réponse rapide et efficace dans des zones menacées.
   
• Lors de la pandémie, l'OMS a utilisé l'intelligence artificielle pour analyser des millions de publications sur les réseaux sociaux afin de suivre les tendances de la désinformation et de la santé publique. Grâce à des algorithmes de traitement du langage naturel, l'OMS a pu identifier rapidement relatives au virus, permettant ainsi une réponse proactive dans la communication. Une étude a ainsi montré que les rumeurs concernant les parcours de transmission du virus se propageaient six (6) fois plus vite que les informations dûment vérifiées. 

Ces « miracles technologiques » sont les fruits de la collecte de myriades de données en temps réel. D’autres exemples ? Les satellites produisent des images en continu, via notamment le système Copernicus  chargé de détecter l’impact de catastrophes naturelles ou d’évaluer l’aide humanitaire. A l’image du PNUD dont le Bureau de gestion des crises a mis au point, lors du tremblement de terre d'Hérat, en Afghanistan (octobre 2023, magnitude 6,3), des systèmes d'information géographique (SIG) qui peuvent donner un aperçu rapide des lieux, des populations et des infrastructures touchés, de la quantité de débris et de l'utilisation des sols. Ces éléments sont essentiels pour la planification des opérations de sauvetage et de redressement.
 
Toutes ces données deviennent donc des ressources, à la fois pour les organisations impliquées et pour les clients / usagers / citoyens, dont l’intérêt réside dans leur capacité à améliorer la détection précoce des chocs / accidents / crises. Pour l’universitaire E. Negre (2025 - 11*), « en exploitant cette masse de données, les algorithmes d’IA permettent d’identifier des schémas anormaux et d’alerter rapidement les autorités compétentes. Et de citer, par exemple dans le domaine de la santé publique, « des outils d’analyse prédictive comme HealthMap  (qui) permettent d’anticiper la propagation d’épidémies en détectant des signaux faibles dans les recherches en ligne ou les ventes de médicaments. Cette rapidité de détection est essentielle pour prévenir et limiter la propagation d’une crise ». 
 
Dans le cadre des programmes « Smart Cities », les villes et communautés peuvent plus rapidement détecter, grâce aux objets connectés et aux systèmes de surveillance intelligents, les incidents (industriels, incendies, inondations…). En améliorant le repérage, le traitement des données par les modèles algorithmiques peut alors proposer divers scénarios afin d’améliorer la décision stratégique. Le projet FloodCitiSense (12*) utilise par exemple un réseau de capteurs susceptibles d’alerter les autorités en cas de variation anormale du niveau des eaux. Pour E. Negre (ibid), « certains systèmes proposent des itinéraires d’évacuation en tenant compte en temps réel des embouteillages, des infrastructures endommagées et des conditions météorologiques ».
 
Dans une situation de crise où les moyens et ressources restent limités, l’IA permet, enfin, de mieux les allouer : c’est le cas de GoogleMap couplé à la suite Google Crisis Response (13*) , ainsi que de Watson d’IBM (vu plus haut), solution utilisée également dans plusieurs régions du monde pour  prédire l’impact des ouragans, incendies et inondations. Lors des ouragans majeurs de 2017 Harvey et Irma, Watson a aidé les autorités à modéliser les zones les plus à risque et à coordonner les évacuations, en croisant les données météorologiques, les flux de population et les infrastructures critiques.
 
Les systèmes de recommandation trouvent ainsi des applications dans la réponse opérationnelle aux crises, du fait d’un filtrage collaboratif ou de l’exploitation d’ensembles de données suggérant des stratégies adaptées à la situation rencontrée, sur la base d’éléments tactiques tels qu’adoptés dans le passé dans des situations similaires. Par exemple, lors de la cyberattaque (ransomware) sur le système de santé irlandais (HSE) en 2021, des outils d’intelligence artificielle ont permis d’accélérer la détection des segments du réseau compromis, réduisant l’impact global. Sans l’intervention rapide de l’IA, la paralysie des systèmes hospitaliers aurait vraisemblablement duré bien plus longtemps.
 
Ainsi, une IA bien entraînée, et intégrée avec discernement, peut devenir une sentinelle capable de déceler de futures tendances en en anticipant les signaux et les points de rupture (exemple : réseau de volontaires numériques Visov - 14*) et de simuler différents scénarios afin d’optimiser les décisions en temps réel (exemple : communauté OpenStreetMap France - 15* ). 

 

---

(10*) https://www.cnbc.com/2020/03/03/bluedot-used-artificial-intelligence-to-predict-coronavirus-spread.html
 

(11*)  https://dauphine.psl.eu/eclairages/article/les-donnees-et-les-crises-pour-le-meilleur-et-pour-le-pire
 

(12*)  http://www.floodcitisense.eu/
 

(13*) https://crisisresponse.google/

(14*) https://www.visov.org/
 

(15*) https://www.openstreetmap.fr/

Selon la consultante N. Maroun (2025 - 16*), « l’intelligence artificielle générative (IA) permet d’analyser les parties prenantes lors d’une crise grâce à la collecte des données qui élargissent les sources d’information. Ces données peuvent alors être analysées selon des critères prédéfinis afin de comprendre et de segmenter les parties prenantes selon leur influence ou leurs émotions vis-à-vis d’une thématique ou d’une crise ». Par exemple, dans le cas précis d’un pic de demandes, l’IA est en mesure d’automatiser les réponses aux clients sur tous les canaux (chatbot, réseaux sociaux, email, sms…) pour réduire le plus possible la charge des personnels et leur permettre de se concentrer sur les demandes plus importantes.
 
Si l’apprentissage automatique (Machine Learning) est utilisé pour l’analyse dite « prédictive » et la détection d’anomalies, c’est bien le traitement du langage naturel (NLP) qui permet d’automatiser la gestion des communications et l’analyse des sentiments. Pour ce faire, le cahier des charges à suivre est essentiel, tel que rappelé par cet auteur : collecter les bonnes données ; utiliser les meilleurs outils (exemple : combiner CRM et social listening) ; analyser la tonalité générale et les tendances verbalisées (émotions) ; classer les parties prenantes selon leurs émotions mais aussi, et surtout, leur niveau d’influence (influence, convergence/ divergence ou degré d’engagement) ; anticiper les réactions et proposer des scénarios afin de se préparer à y répondre… L’IA peut donc « permettre au communicant de crise de comprendre les attentes et les craintes des sous-groupes, y compris ceux dont la faible visibilité ou la faible influence attestée ne permettent pas d’en anticiper l’évolution avec les seules données disponibles ».
 
En matière de relations médias, de nombreux cabinets et experts se positionnent sur ce marché en extension, à l’exemple de la société américaine CapeStart qui a développé une IA pour gérer les RP de crise,  reposant sur une base contenant quarante (40) années d’articles ainsi que l’identification de plusieurs « crises types » : l’algorithme serait capable d’évaluer la portée médiatique de la crise en cours, la réaction potentielle de l’opinion et des médias ou encore l’impact sur la réputation de la marque, et de proposer en réponse des stratégies adaptées… Jolie promesse ! 
 
Voici un tableau non exhaustif des capacités de l’IA à la recherche d’indices préalables afin d’éviter qu’un événement dommageable ne se transforme en crise de communication :
 

• Analyse des sentiments : Le traitement du langage naturel (TLN) peut être utilisé pour analyser en temps réel le sentiment exprimé dans les communications des usagers / clients / employés ou sur les réseaux sociaux. Un tableau de bord de gestion de crise peut être alimenté par un modèle de TLN qui analyse le ton des messages, des commentaires ou des tweets et affiche des alertes en cas de sentiment négatif élevé ou de mots-clés associés à la crise. Un système d’alerte proactif peut être mis en place pour informer les équipes concernées. Exemple : crises Nike, 2018 ou Silicon Valley Bank, 2023 – Enjeux : En comprenant les tendances et scénarios qui émergent sur la toile, le TNL permet de détecter rapidement une escalade de la crise ou une augmentation de la tension.
   
• Analyse de la couverture médiatique : Un moteur de recherche multimédia basé sur la similarité peut être utilisé pour compiler les données visuelles et textuelles liées à la crise, permettant aux équipes de communication d’analyser la perception médiatique. Exemple : crise Balenciaga, 2022 – Enjeux : Identifier les données pour faciliter l’analyse de la couverture médiatique et l’identification des thèmes et tendances émergentes.
   
• Détection de contenu sensible (réseaux sociaux) : Un système de surveillance des médias sociaux couplé à des modèles de détection de contenu sensible peut identifier et alerter les équipes de communication sur les contenus inappropriés liés à la crise (vidéos violentes, choquantes ou trompeuses), leur permettant de réagir rapidement. Exemple : Crise Covid 19 par l’OMS – Enjeux : Eviter la propagation de désinformation et protéger la réputation de l’entreprise.
   
• Modération multimodale des contenus : La modération multimodale des contenus combine plusieurs techniques d’IA (texte, image, vidéo) pour détecter et supprimer les contenus inappropriés ou dangereux dans différents formats, garantissant ainsi un environnement sûr et conforme. Exemple : crise de pénurie d’essence, France, 2024 – Enjeux : Eviter la diffusion de contenus sensibles ou nuisibles en situation de crise.
   
• Suivi multi-objets des situations d’urgence : La vision par ordinateur et le suivi multi-objets peuvent suivre les personnes, les véhicules ou les équipements dans les images et les vidéos (par exemple, flux de caméras de surveillance). Un système d’analyse vidéo en direct peut alerter les équipes en cas de mouvement suspect, de comportement anormal ou de violation de protocole, et fournir des informations visuelles précises pour une meilleure coordination. Exemple : crise de la Finale Champions League, Stade de France, 2022 – Enjeux : Aider à évaluer l’impact d’une crise, à coordonner les opérations de secours et à garantir la sécurité.
   
• Extraction de données clés des documents & Résumé de flux d’informations massifs : La reconnaissance optique de caractères (OCR) et l’extraction de formulaires/tableaux peuvent extraire rapidement des données critiques des documents internes (rapports, contrats) ou externes (médias, réseaux sociaux). L’IA peut analyser, résumer et extraire les informations les plus pertinentes, afin de fournir une vision claire de la situation – Enjeux : Aider au tri des informations pour prendre des décisions éclairées. Faciliter la prise de décision et l’analyse de la crise de communication.
   

L’IA constituerait donc un levier puissant pour renforcer la résilience des organisations. Elle permettrait de détecter plus vite les signaux faibles, d’analyser en temps réel des masses de données impossibles à traiter par l’humain seul, d’optimiser la prise de décision en situation de crise, y compris sur son volet ‘communication’, et de réduire les délais de rétablissement grâce à l’automatisation.