Et si l’IA passait le permis de conduire ?
Ces derniers mois, des expérimentations de conduite autonome ont été réalisées sur routes ouvertes en Europe, notamment avec les systèmes proposés par Tesla.
Les retours des testeurs sont souvent similaires : une conduite fluide, anticipative, capable de s’insérer naturellement dans le trafic, parfois jugée plus régulière et plus prudente que celle de nombreux conducteurs humains.
Et pourtant, malgré ces performances perçues, ces systèmes restent aujourd’hui limités dans leur reconnaissance réglementaire.
Ce décalage interroge.
Une grille d’évaluation héritée d’un autre paradigme
La conduite autonome est évaluée à travers des niveaux d’automatisation définis pour des systèmes logiciels classiques.
Ces systèmes reposent sur des règles explicites, des scénarios identifiés, et des chaînes de décision que l’on peut analyser et expliquer.
Ce cadre est parfaitement adapté à des algorithmes déterministes :
- si une condition est remplie, alors une action est déclenchée,
- chaque décision peut être retracée,
- chaque comportement peut être justifié.
Mais les IA modernes de conduite autonome ne fonctionnent pas de cette manière.
Elles reposent sur des modèles d’apprentissage statistique.
Elles ne suivent pas des règles codées explicitement : elles apprennent à partir de données, identifient des régularités et généralisent des comportements.
Autrement dit, leur fonctionnement est empirique.
Une analogie simple : comment juge-t-on un conducteur humain ?
Lorsque nous passons le permis de conduire, personne ne nous demande :
- d’expliquer formellement pourquoi nous freinons,
- de détailler chaque décision,
- ni de justifier mathématiquement notre anticipation.
L’évaluation repose sur :
- le comportement global,
- la capacité à gérer des situations variées,
- la cohérence des décisions,
- et surtout, le niveau de sécurité observé.
C’est une évaluation empirique.
Nous ne validons pas un conducteur parce que nous comprenons chacune de ses décisions.
Nous le validons parce que son comportement est jugé fiable dans le réel.
Une IA qui apprend comme un humain… mais que l’on évalue autrement
Les systèmes de conduite autonome modernes fonctionnent selon une logique similaire.
Ils apprennent :
- à reconnaître des situations,
- à anticiper des comportements,
- à adapter leur conduite en fonction du contexte.
Mais contrairement à un humain, on exige d’eux :
- une explicabilité complète,
- une traçabilité exhaustive,
- une capacité à justifier chaque décision.
Cette exigence n’est pas illégitime en matière de sécurité.
Mais elle repose sur un postulat implicite : celui que l’IA serait un algorithme classique.
Or ce n’est plus le cas.
Quand les faits commencent à parler
Certaines initiatives de conduite autonome, comme celles développées par Waymo, commencent à produire des données à grande échelle.
Ces données montrent :
- une réduction significative des accidents,
- une baisse des collisions avec blessés,
- sur des millions de kilomètres parcourus.
Ces résultats ne disent pas comment chaque décision est prise.
Mais ils apportent une information essentielle : le comportement global du système dans le réel.
Et si l’IA passait… le permis de conduire ?
Plutôt que de chercher à faire entrer l’IA dans un cadre conceptuel conçu pour des logiciels d’un autre paradigme, une alternative mérite d’être explorée.
Évaluer l’IA comme un conducteur :
- sur des routes réelles,
- dans des environnements variés,
- avec des scénarios complexes,
- sur la durée,
- avec des critères de sécurité mesurables.
Et pourquoi ne pas aller plus loin :
- définir un “permis de conduire” pour l’IA,
- avec des exigences supérieures à celles d’un humain,
- validé par des examinateurs indépendants,
- dans plusieurs contextes géographiques.
Ce type d’approche serait cohérent avec la nature de ces systèmes : des systèmes empiriques, dont la valeur se mesure à l’épreuve du réel.
Changer de regard
Le débat sur la conduite autonome dépasse la seule question technologique.
Il pose une question plus profonde :
sommes-nous capables d’adapter nos cadres d’évaluation à la nature des systèmes que nous créons ?
Les modèles d’intelligence artificielle actuels ne sont plus de simples algorithmes.
Ce sont des systèmes d’apprentissage, capables de généraliser, d’anticiper et de s’adapter.
Les juger uniquement à travers des critères conçus pour des systèmes déterministes revient à créer un décalage entre :
- ce que la technologie est devenue,
- et la manière dont nous continuons de l’évaluer.
Conclusion
Le véritable enjeu n’est donc pas de contraindre l’IA à entrer dans des cadres conçus pour des algorithmes classiques.
Il est de faire progresser nos méthodes d’évaluation pour juger l’IA pour ce qu’elle est réellement :
une formidable machine à apprendre empiriquement, dont la valeur se mesure avant tout à l’épreuve du réel.
Image suggérée :
Un robot humanoïde assis au volant d’une voiture d’auto-école (type citadine), avec un examinateur humain à ses côtés.
Panneau “AUTO-ÉCOLE” visible sur le toit.
Ambiance réaliste, lumière naturelle, scène crédible (pas futuriste).
L’image doit suggérer l’évaluation, pas la performance.