Le vice-ministre Kim ouvre le workshop en l'inscrivant comme contribution coréenne à la construction d'un cadre international pour l'intelligence artificielle appliquée au nucléaire. L'événement est qualifié d'opportunité significative pour discuter de l'avenir de l'innovation nucléaire à travers l'IA, et il est attendu qu'il devienne un forum pour des discussions approfondies destinées à relever les niveaux de sûreté, de prédictibilité et d'efficience de l'énergie nucléaire.

Les connaissances partagées au cours du workshop alimenteront la gouvernance de l'innovation nucléaire. La continuité avec la conférence ministérielle de l'IAEA d'octobre 2026 est explicitement posée. Le gouvernement coréen affirme son engagement à soutenir la convergence entre énergie nucléaire et intelligence artificielle, et les collaborations internationales associées.

Diane Cameron présente l'intelligence artificielle et l'énergie nucléaire comme deux des innovations technologiques les plus conséquentes du XXI^e siècle, dont la convergence est déjà engagée et dont la gouvernance déterminera les systèmes énergétiques pour des décennies. Elle indique que ce constat n'est plus prospectif : les grandes entreprises technologiques investissent directement dans l'énergie nucléaire pour répondre à la demande électrique bas carbone fiable que requiert l'intelligence artificielle. Parallèlement, les outils d'IA pénètrent le secteur nucléaire sur l'ensemble du cycle, du design à la simulation, à la construction et aux opérations.

Le diagnostic posé est celui d'une fragmentation. Les briques sont identifiées — projets pilotes, montée en compétences, niveaux d'investissement croissants — mais les succès restent isolés et expérimentaux. Ce qui manque, indique Cameron, c'est un tissu connecté, c'est-à-dire une vision partagée et des cadres communs portant sur les règles relatives aux données, sur les normes et sur les pratiques nécessaires à un déploiement à l'échelle et sur l'ensemble du cycle de vie. Le workshop est qualifié de premier pas dans cette direction. Il vise à entendre les besoins, à amorcer la construction d'une vision commune, et à apprendre des autres industries technologiques qui ont déjà traité ces enjeux.

Cameron énonce trois objectifs pour les deux journées de travail. Le premier consiste à être spécifique, c'est-à-dire à dépasser les généralités au profit de cas d'usage concrets, de données réelles et de résultats mesurables. Le deuxième consiste à être honnête sur ce qui fonctionne, ce qui ne fonctionne pas et où subsistent des angles morts. Le troisième consiste à avancer, en ne se contentant pas de décrire l'existant mais en préfigurant ce qui émerge.

Sur le plan opérationnel, le programme de travail de la NEA s'appuie déjà sur deux initiatives. L'AI Expertise Initiative construit une capacité partagée entre États membres. La RegLab Initiative crée des bacs à sable réglementaires destinés à permettre aux régulateurs d'expérimenter en sécurité. Cameron précise que ces initiatives constituent les premières lignes d'un programme de travail plus large, qui se déploiera sur plusieurs années en vue de la publication du playbook à l'horizon 2027 ou 2028.

L'arc thématique du workshop est précisé : fondations éthiques et de gouvernance de l'IA pour le nucléaire ; cas d'usage concrets sur la conception, la simulation, la construction et les opérations ; cadres de politique publique, conditions d'investissement et stratégies de main-d'œuvre. Cameron rappelle enfin la place du partenariat coréen, en soulignant la combinaison entre institutions de recherche de niveau mondial et investissement gouvernemental stratégique sur les deux domaines, et indique la volonté de la NEA d'étendre ce modèle de coopération.

Le vice-président In-Cheol Lim positionne le moment présent comme un point d'inflexion. La demande mondiale d'énergie plus propre et plus fiable n'a jamais été aussi élevée. L'intelligence artificielle modifie en parallèle les règles selon lesquelles les systèmes nucléaires sont conçus, construits et exploités. Il indique que cette concomitance n'a pas d'équivalent dans les ruptures technologiques antérieures du secteur.

Lim précise que la technologie ne suffit pas. Trois conditions sont énoncées comme préalables à un déploiement responsable. La première est l'existence de standards agréés précisant comment l'IA doit être utilisée dans un environnement critique de sûreté. La deuxième est la formulation de règles claires sur les conditions d'usage. La troisième est la construction de la confiance, à trois niveaux : confiance des régulateurs, confiance du public, confiance des opérateurs eux-mêmes qui interviennent dans l'infrastructure nucléaire.

Lim retrace en synthèse la trajectoire du programme nucléaire coréen, construit étape par étape depuis ses débuts, désormais reconnu au plan international. Il identifie trois facteurs principaux à cette progression : le travail soutenu, l'attention portée à la qualité, et l'absence de compromis sur la sûreté. La coopération internationale est qualifiée d'élément indispensable.

L'intervention conclut sur la place stratégique des jeunes professionnels dans la transformation à venir. Cette dimension de transmission sera reprise dans plusieurs des sessions à venir.

Le président Choi inscrit les travaux dans un contexte macro-énergétique caractérisé par trois tendances simultanées : l'expansion rapide de l'intelligence artificielle et des centres de données, qui se traduit par une hausse marquée de la demande électrique ; l'exigence de sécurité énergétique conjuguée à l'objectif de neutralité carbone ; un environnement géopolitique caractérisé par une incertitude élevée. Dans ce paysage, l'énergie nucléaire fait l'objet d'une reconnaissance renouvelée comme source bas carbone scalable.

Choi précise que la réalisation de ce potentiel ne dépend pas seulement de la performance technologique. Elle suppose des innovations dans la manière dont les systèmes nucléaires sont conçus, construits, exploités et régulés. L'intelligence artificielle joue un rôle critique dans cette transformation à plusieurs titres : amélioration de la sûreté et de l'efficience opérationnelle, soutien à la maintenance prédictive, aide à la décision fondée sur la donnée. L'intégration de l'IA sur l'ensemble du cycle de vie est présentée comme un levier de compétitivité globale du secteur.

L'intervention conclut sur la dimension internationale et coopérative de l'enjeu. Les défis induits par l'adoption de l'intelligence artificielle exigent un partage de connaissances et de bonnes pratiques. Le workshop est désigné comme un cadre adapté à cette structuration.

Hayun Kang précise d'emblée son positionnement : elle est, indique-t-elle, probablement la seule personne dans la salle sans formation technique. Ce déplacement est volontaire : il vise à soustraire la conversation au registre exclusivement technologique pour la replacer dans le registre de la sociologie, de la politique publique et de la gouvernance.

Diagnostic général sur la gouvernance de l'IA

Le diagnostic porte sur la nature de la transformation en cours. L'intelligence artificielle n'est plus à développer : elle est déjà déployée. Elle n'est plus confinée aux laboratoires ou aux plateformes numériques : elle est désormais imbriquée dans les infrastructures critiques, en particulier dans les systèmes énergétiques, la santé, les transports et les finances. La question se déplace donc : de la production de l'IA vers la gouvernance des systèmes qu'elle reconfigure.

Kang identifie un paradoxe structurel. À mesure que les systèmes d'intelligence artificielle gagnent en capacité, ils perdent en transparence. À mesure qu'ils gagnent en autonomie, les outils traditionnels de gouvernance, conçus pour la décision humaine, perdent en pertinence. Le problème ainsi posé n'est pas seulement technique : il est de nature structurelle.

Le cadre des Principes OCDE de l'IA

Les Principes OCDE de l'IA ont été adoptés en 2019 sous forme de Recommandation du Conseil de l'OCDE. Ils ont été renforcés depuis pour intégrer les enjeux de l'IA générative. Kang souligne le caractère exceptionnel de ce résultat normatif : une base partagée par plus de 40 pays aux systèmes politiques, traditions réglementaires et capacités technologiques très différents — un socle commun pour les régulateurs, chercheurs et ingénieurs.

Le cadre se compose de deux volets. Le premier énonce cinq principes-valeurs, qui forment l'ossature normative. Le second formule cinq recommandations de politique publique destinées aux États. L'intervention de Kang concentre son propos sur les premiers.

Pris ensemble, ces cinq principes accomplissent trois opérations utiles à la production normative. Ils traduisent les valeurs en conditions opérationnelles, c'est-à-dire qu'ils font passer l'éthique abstraite vers des critères d'application, de déploiement et d'évaluation. Ils établissent une interopérabilité entre juridictions, en permettant aux systèmes d'IA et aux régulations associées de fonctionner par-delà les frontières sans renégociation permanente. Ils alignent les communautés des politiques publiques, de l'ingénierie et de la recherche autour d'un langage commun. Kang souligne que cet alignement multipartite est rare et qu'il est nécessaire à la construction d'une gouvernance opérationnelle.

Pertinence des principes pour le secteur nucléaire

Kang procède ensuite à une mise en correspondance entre les Principes OCDE et le secteur nucléaire. Ce dernier est qualifié d'environnement de haute fiabilité, où les marges de sûreté sont minces et les conséquences systémiques. Dans ce contexte, les Principes OCDE ne sont pas considérés comme optionnels : ils constituent une précondition au déploiement.

Quatre correspondances sont établies. La robustesse devient l'équivalent d'une certification de sûreté. La transparence devient un préalable à la confiance des opérateurs dans les systèmes d'aide à la décision. La redevabilité assure le maintien de la supervision humaine. Les valeurs humaines trouvent leur prolongement dans la culture nucléaire de reproductibilité, fondée sur la possibilité de rejouer un calcul ou une démonstration.

Sur le plan de la conclusion, Kang formule une distinction qui structure la suite de la démarche internationale : le défi central de l'intelligence artificielle ne réside pas dans l'innovation, mais dans l'intégration. Cette intégration suppose des cadres de gouvernance techniquement crédibles, politiquement légitimes et internationalement alignés. Les Principes OCDE remplissent ces trois conditions. Ils ne sont pas présentés comme des contraintes à l'innovation, mais comme les conditions de possibilité de systèmes responsables, scalables et fiables.

L'objectif assigné aux participants n'est pas de redéfinir ces principes mais de les opérationnaliser de manière rigoureuse, cohérente et collaborative.

Diagnostic — le nucléaire comme classe particulière de projet

Plana introduit une lecture du nucléaire comme classe particulière de projet d'infrastructure complexe : les données y sont fragmentées et hétérogènes, et de nombreux projets se trouvent en difficulté faute de capacité à structurer ces données pour soutenir la décision. La conséquence se manifeste non seulement en phase de conception mais aussi au moment de la construction et de la mise en service, sous forme de retards et d'engagements de ressources non planifiés. À l'horizon de la nuclear revival, cette difficulté devient critique : c'est l'IA qui doit permettre de maîtriser l'information et de prendre les décisions appropriées pour livrer les projets dans les délais et au coût.

Une seconde caractéristique structurante est temporelle. Un projet nucléaire dure environ cent ans. Cela implique de maintenir les données fonctionnelles à l'échelle du siècle, à travers des générations technologiques successives. Cette contrainte de longévité encadre l'ensemble des choix d'architecture IA et fait de la gouvernance des données un préalable, non un complément.

Trois vagues d'IA appliquées au nucléaire civil

Plana propose une lecture par vagues successives. La première a porté sur l'opération et la maintenance (O&M) : les exploitants disposaient déjà de données historiques riches — événements, rapports, historiques d'actifs — et l'IA a permis de les transformer en intelligence opérationnelle, par identification de récurrences, de pôles d'actifs problématiques et de priorités d'intervention. L'exemple cité est celui de huit centrales nucléaires européennes représentant un corpus de 70 000 rapports de condition, traités par techniques NLP, ML/DL et règles d'optimisation pour informer le régime de maintenance et l'optimisation des arrêts de tranche.

La seconde vague porte sur le démantèlement. La situation y est inverse : les documents sont rares, dispersés, parfois manuscrits, parfois non numérisés. L'enjeu n'est plus d'extraire de la valeur d'une masse de données structurées mais de rendre récupérable, fiable et réutilisable un savoir accumulé sur des décennies. Plana insiste sur la nécessité de définir une ontologie en amont — le squelette dans lequel les données viendront se peupler — comme condition d'efficacité du dispositif. La combinaison technique mobilisée associe NLP, OCR, ontologies et LLM. Les livrables sont une préparation de chantier plus sûre, une justification traçable des choix techniques et des reportings accélérés. En démantèlement, énonce Plana, l'installation n'est pas le seul actif ; le savoir accumulé autour d'elle devient stratégique.

La frontière actuelle est constituée des programmes de nouveau nucléaire : environ 75 réacteurs en construction, environ 120 planifiés, autour de 200 nouveaux projets nucléaires dans le monde — ces nombres devant croître significativement avec les SMR et AMR (Newcleo envisage un marché de 60 RNR, Rolls-Royce vise plusieurs centaines à l'horizon 2050, GE Hitachi 40 à 60 unités), auxquels s'ajoutent les usines d'enrichissement, les fabriques de combustibles avancés (TRISO, MOX) et les écosystèmes intégrés combustible–réacteur. Dans ce contexte, l'IA cesse d'être un outil d'analyse rétrospective et devient un levier de livraison : elle conditionne la qualité au premier coup, la prédictibilité du calendrier, la confiance réglementaire et l'effet de levier sur les compétences disponibles.

Cas concrets — gains de productivité sur le nouveau nucléaire

Plana détaille trois familles de gains de productivité applicables au nouveau nucléaire. Sur les documents — directives éditoriales, structures, mises en forme, liens — l'automatisation du premier passage permet une économie de temps estimée jusqu'à 60%. Sur la planification — qualité d'agenda, logiques d'enchaînement, identification des risques, tableaux de bord — l'automatisation porte ce gain jusqu'à 75%, par détection d'incohérences entre heures de travail et lots, reconstruction de registres de risques, signalement d'anomalies de plan. Sur les plans 2D et les contrôles P&ID — tags, symboles, complétude — la marge atteint 90%.

Le motif commun à ces trois cas est explicité par Plana sous forme de séquence : input (livrables, plannings, plans) → AI first pass (détection d'anomalies, explication des écarts) → validation par l'ingénieur (boucle de décision humaine) → action (correction, preuve, reporting). La machine ne décide pas : elle accélère le premier tri et fournit les éléments d'arbitrage à l'ingénieur, qui valide ou modifie la proposition.

Plana ajoute une nuance technique. L'IA mobilisée n'est pas exclusivement neuronale. Dans une part substantielle des cas, l'IA symbolique — règles, modèles déterministes — est plus adaptée à la nature contrainte de l'environnement nucléaire. Les architectures les plus efficaces sont hybrides plutôt que monolithiques.

Un exemple complémentaire est rapporté : une comparaison entre un code russe et un code européen pour le périmètre d'un générateur de turbine, conduite à l'aide d'un LLM, qui a permis de détecter la proximité sémantique entre les deux corpus normatifs et d'identifier des points d'amélioration potentiels. La même architecture est appliquée à la formalisation des exigences de sûreté, en s'appuyant sur les Safety Guides de l'AIEA et les règles INCOSE : le LLM alloue les exigences aux éléments du PBS (Product Breakdown Structure), reformule chaque exigence pour le composant correspondant, et la matrice résultante est injectée dans un outil MBSE (Catia Magic) pour assurer la traçabilité avec l'architecture système. Plana relève qu'une mauvaise reformulation d'exigence en début de projet peut avoir un impact catastrophique en aval.

ViBE Engineering — orchestration agentique sous contrôle d'ingénieur

L'extension naturelle de cette approche est l'orchestration agentique de l'ingénierie systémique elle-même, que Plana désigne sous le terme de ViBE Engineering. La transposition s'inspire du VIBE coding aujourd'hui répandu dans le développement logiciel. Elle vise à faire passer le travail d'ingénieur d'une logique d'exécution de processus à une logique d'exécution d'intention : l'ingénieur exprime des objectifs, des contraintes et des critères de validation, et des agents IA orchestrent des portions du flux de travail.

L'architecture présentée comporte un super-agent qui distribue le travail entre des agents spécialisés (Requirements, Architecture, Cost, Compliance), nourris par la connaissance de l'entreprise et les contraintes réglementaires pour limiter les hallucinations. Les livrables au stade faisabilité sont les structures classiques d'un projet — PBS (modèle système), MFS (spécifications fonctionnelles), CBS (structure de coût), WBS (structure de travail). Le principe directeur reste celui de la responsabilité humaine : l'orchestration agentique modifie le travail d'ingénierie, mais la responsabilité critique de sûreté demeure dans des boucles de décision humaines validées.

Une architecture comparable est appliquée à la livraison de projet (AI-enabled project delivery) selon la méthodologie d'Advanced Work Packaging issue du gaz et pétrole. Les données du BIM et du PLM (3DEXPERIENCE) sont injectées dans un LLM (GPT-4o) qui génère automatiquement les Construction Work Packages et les Engineering Work Packages, en intégrant les contraintes de construction et d'installation. Les lots ainsi produits sont injectés dans Primavera et Unifier pour le contrôle projet ; les conflits 4D sont visualisés dans Synchro ; et des algorithmes Python en mode multi-scénarios assurent le de-clashing. Le résultat visé est une livraison de projet plus fluide, plus prédictible et plus efficiente.

Trois conditions structurantes du déploiement IA dans le nucléaire

Plana clôt sur trois conditions structurantes du déploiement de l'IA dans le nucléaire. La première est la gouvernance des données. Sans politique d'information appropriée — qualité, lignage, accessibilité, droits d'usage — aucun cas d'usage IA ne peut prospérer.

La seconde est le maintien de la décision humaine. L'IA est qualifiée de copilote : elle accélère et propose, mais l'ingénieur ou le technicien valide. Plana le formule sans détour : la machine ne décide jamais seule. Elle propose, accélère, met en évidence ; un ingénieur valide, modifie ou rejette.

La troisième est la souveraineté de l'écosystème, condition de confiance. Les hôtes de données et la maîtrise des flux doivent demeurer souverains, ce qui peut conduire à privilégier des LLM ou SLM (Small Language Models) on-premise ou hébergés sur cloud souverain plutôt que des modèles propriétaires de grands fournisseurs.

Le paysage des modèles évolue rapidement

Champain part d'un rappel quantitatif : le rapport Hi-cost de l'AIE identifie l'essentiel des leviers de réduction des coûts du nucléaire dans le traitement de l'information et l'automatisation. C'est précisément le terrain de l'IA. Il souligne ensuite la rapidité d'évolution du paysage des modèles : depuis l'ouverture publique des LLM en novembre 2022, des dizaines de modèles se sont déployés, classables sur deux axes — coût par million de jetons, et performance benchmark.

Trois messages techniques sont énoncés. Premièrement, il faut « battre au pouls » du marché car les modèles évoluent en permanence — ce qui paraît imparfait aujourd'hui sera bien meilleur dans deux mois. Deuxièmement, il n'existe pas de modèle d'IA unique : selon le cas (récupération documentaire, analyse d'images, raisonnement), différents modèles dominent. Troisièmement, plusieurs niveaux d'implémentation coexistent — depuis le modèle on-premise non connecté (pertinent pour le nucléaire confidentiel) jusqu'au modèle de très grande capacité hébergé en cloud, en passant par l'embarquement sur appareil. Champain note que les modèles fermés (GPT, Claude, Gemini) dominent en performance, mais que les open-source chinois sont à 10 à 20 fois moins coûteux par jeton.

Trois cas concrets chez Framatome

Trois cas industriels sont exposés brièvement, la sûreté restant explicitement hors périmètre IA. Premier cas, ingénierie CFD : la modélisation par éléments finis pour les démonstrations de sûreté requiert un travail manuel coûteux de définition de la granularité des éléments (meshing) ; l'IA réduit le temps de génération de ce maillage, qui constituait jusqu'à présent une étape limitante en charge d'ingénieur. Deuxième cas, gestion documentaire : la technologie Hive supprime la dépendance aux mots-clés et permet l'expression en langue naturelle, dans n'importe quelle langue (albanais, coréen, français), pour retrouver le document pertinent y compris s'il est rédigé dans une autre langue. Pour une industrie aussi documentaire, les gains sont d'un ordre de 10×. Troisième cas, contrôles visuels : les inspections traditionnellement manuelles sont augmentées par l'IA, qui présélectionne les zones d'attention pour l'inspecteur humain qui décide.

L'IA dans le nucléaire — pas un sujet de cas isolés, un sujet d'impact systémique

Champain énonce ensuite ce qu'il qualifie de message principal. Il relit la transformation IA à travers le paradoxe de la productivité de Brynjolfsson : les nouvelles technologies prennent du temps à produire de l'impact mesurable, comme ce fut le cas pour Internet et l'informatique en leur temps. La technologie n'est qu'un ingrédient ; sans réingénierie des processus métier, le potentiel reste virtuel. Les co-investissements sont systématiquement sous-estimés — il faut compter, pour 1$ d'outils, 10$ de formation, de réingénierie et de transformation organisationnelle.

Une étude McKinsey de la semaine précédente est citée : les deux tiers des entreprises les plus performantes en transformation IA se concentrent sur moins de domaines. À l'inverse, les entreprises qui multiplient les cas, distribuent largement des licences copilote à 100% des employés, affichent des revenus plus faibles. Une phase exploratoire de multiplication des cas a sa pertinence pour permettre aux équipes d'apprendre, mais elle doit céder la place à une concentration sur l'impact. Champain en tire une formulation directrice : « don't just automate or don't just put AI but eliminate, optimize, standardize and then you can fully optimize ».

Ce qui fait la diffusion à l'échelle

Sur la condition d'une transformation systémique, Champain identifie deux leviers. Le premier est l'ingénierie de processus de bout en bout — la technologie est l'une des « lames du couteau suisse », mais l'ingrédient principal reste la réorganisation des processus métier, qui réclame un leadership conséquent et du temps de la part de la direction, et ne peut pas être délégué à des experts technologiques seuls. Le second est la disponibilité de standards stables à l'échelle de l'industrie et de sa chaîne d'approvisionnement. Historiquement — pour la machine-outil, l'internet — c'est la diffusion à grande échelle et la standardisation qui ont produit l'impact, pas les démonstrations isolées.

Quatre cas concrets de l'IA chez ENUSA

Paaredes Haya situe d'abord ENUSA — opérateur étatique espagnol détenu à 60% par le ministère des Finances et 40% par le ministère de la Science, actif sur le cycle nucléaire complet (enrichissement, fabrication de combustible, services de plan, démantèlement) ainsi que sur l'environnement et la logistique. Quatre cas concrets d'IA en production sont exposés.

Fabrication de combustible. Le machine learning appuie l'inspection visuelle des pellets et des assemblages de combustible, avec détection consistante des défauts. Le système IA ne remplace pas les systèmes d'inspection visuelle digitale existants : il s'y ajoute en données complémentaires. Un prototype 3D-laser génère un nuage de points permettant l'inspection géométrique et la dispersion de surface. Une étape suivante explorée porte sur la maintenance prédictive des équipements de fabrication — non pour des décisions automatiques mais pour anticiper les défaillances et optimiser les interventions.

Conception de cœur PWR. ENUSA a déployé un outil interne, NEUTRONET, qui combine des réseaux de neurones et un algorithme génétique pour rechercher automatiquement les schémas optimaux de chargement de combustible PWR. Le modèle a été entraîné sur des milliers de configurations de cœur et atteint une haute précision de prédiction sur les paramètres nucléaires-clés. L'outil est en maturité opérationnelle : déployé en support de vraies études de rechargement, il évolue vers l'optimisation multi-objectifs. Gain explicite : réduction significative du temps d'ingénierie tout en préservant les marges de sûreté et la qualité de conception. La trajectoire annoncée vise une intégration complète des capacités multi-objectifs et un déploiement plus large à travers l'ensemble des activités de conception de rechargement.

Vérification du combustible en arrêt de tranche. L'automatisation de la vérification de la cartographie de la piscine de combustible usé — tâche safety-critical et obligation réglementaire — combine désormais deux briques : vision par ordinateur pour lire les identifiants des assemblages combustibles sous l'eau, reconnaissance vocale pour traiter en temps réel la dictée de l'opérateur. Le système croise données visuelles, entrée audio et référence plante, détecte les inconsistances immédiatement, et génère automatiquement la carte mise à jour de la piscine. Résultats observés : réduction significative de la charge cognitive de l'opérateur, amélioration de la consistance et de la traçabilité, opérateurs humains restant en contrôle complet à tout moment.

CAS ENUSA · CARTOGRAPHIE PISCINE COMBUSTIBLE — DE L'IMAGE À LA CARTE

Planification du cycle d'amont. Recherche d'uranium pour les assemblages combustibles. Le défi n'est pas un problème technique unique mais la gestion d'un espace de planification contraint — livraisons, contrats, inventaires, impacts financiers évoluant rapidement. Le modèle ENUSA simule plusieurs scénarios de manière agile et recalcule automatiquement les scénarios de livraison quand les conditions changent. Particularité notable : il n'impose pas un modèle d'optimisation théorique mais embarque des décennies de logique de décision experte, des règles contractuelles réelles et des contraintes opérationnelles.

Pourquoi l'adoption reste fragmentée

Le diagnostic est clair : l'IA entre dans l'organisation par les problèmes locaux et opérationnels — l'ingénierie, la fabrication, la planification résolvent leurs propres problèmes, souvent avec succès. Mais ces solutions ne sont jamais portées à l'échelle de l'organisation. L'IA croît, mais pas systématiquement. Les principaux blocages ne portent pas sur les modèles : ils portent sur les données, leur maintenance, leur gouvernance et la confiance qu'elles inspirent.

Les environnements nucléaires exigent visibilité, traçabilité et redevabilité. Les professionnels doivent comprendre ce que le système fait et où sont ses limites. Dans le secteur nucléaire, énonce Paaredes Haya en clôture, la confiance est une exigence technique. Conclusion : la transformation IA du secteur ne sera pas conduite par des promesses claires mais par des fondations dignes de confiance — plateformes sécurisées et compréhension profonde de l'apport de l'IA.

Un processus itératif, pas un plug-and-play

Czeszumska situe d'abord l'EPRI : organisation de R&D indépendante et à but non lucratif, opérant à l'échelle mondiale avec les exploitants. Le modèle collaboratif vise à transformer la recherche en connaissance actionnable et en outils, et à accélérer l'apprentissage par le partage des leçons et des bonnes pratiques. Sa proposition méthodologique pour appliquer l'IA tient en quatre temps, présentés comme une boucle plutôt qu'un branchement direct : définir le cas d'usage et les conditions nécessaires ; identifier la technologie adéquate à ces conditions ; formuler les métriques de performance et d'impact sûreté pour le benchmarking ; raffiner par itération.

Quatre projets en cours d'EPRI

Test ultrasonique assisté par IA (évaluation non destructive). L'examinateur reçoit un volume considérable d'images d'ultrasons, dont la majeure partie ne contient aucun défaut. Un modèle de vision discriminatif présélectionne les régions d'intérêt et ne présente que celles-ci à l'humain. Le facteur de réduction est massif : l'ordre de grandeur évoqué est un passage d'un jeu de données de l'ordre de 4 000 unités à 460 unités. Avant déploiement opérationnel, chaque centrale exécute une procédure de qualification où inspections IA et inspections classiques sont menées en parallèle et comparées : l'outil IA doit récupérer 100% des défauts, des faux positifs étant admis. L'humain reste dans la boucle, simplement assisté.

TroubleBot — IA générative pour le diagnostic d'équipement (projet piloté par M. Hinman). Datasets fondationnels (rapports génériques) et datasets spécifiques aux équipements. L'utilisateur formule sa question (par exemple « la barre de contrôle est bloquée en position intermédiaire ») et l'outil produit une table de référence avec citations vérifiables. L'humain n'est pas remplacé mais accéléré : ce qui prenait plusieurs jours d'expertise est ramené à quelques minutes. Czeszumska note que l'incertitude est nettement plus difficile à mesurer en IA générative qu'en IA discriminative — il subsiste des erreurs de confusion entre équipements similaires (par exemple pompe centrifuge vs pompe verticale), que l'humain corrige.

Oral History. Capture de la connaissance expérientielle qui n'apparaît pas dans la documentation officielle, pour appuyer la résolution de problèmes ressemblants.

Virtual Pilot Plant (collaboration EPRI · INPO · NEI). Amélioration de l'accessibilité des données. Czeszumska souligne que la majorité de l'effort projet ne porte pas sur l'IA en tant que telle mais sur l'infrastructure : autorisations IT/OT, transferts de données, organisation de l'information.

Les défis structurels du nucléaire face à l'adoption de l'IA

Le diagnostic transversal porte sur quatre points : démontrer la valeur d'une solution IA — particulièrement générative — et la vérifier ; absence de standards de benchmarking partagés, particulièrement pour la GenAI dans le nucléaire ; gouvernance des données sous-développée, fragmentée par site ; intégration IT/OT et cybersécurité, dont le risque est amplifié par l'IA. La réponse d'EPRI tient en trois axes : financement de projets internes accélérant le partage des leçons, pilotage d'initiatives industrielles type NEMA, collaboration sur le benchmarking avec les organisations internationales.

Sur la duplication des efforts entre exploitants, Czeszumska observe que les projets sont effectivement très similaires d'un site à l'autre — END, inspection, LLM. Les investissements sont parallèles mais les qualifications restent fragmentées. Or la physique sous-jacente, les régulations et les structures de données sont identiques. Le secteur gagnerait à raisonner comme la communauté du machine learning utilise les modèles de fondation : un socle partagé, puis un ajustement par cas spécifique. Surtout, le partage doit aussi inclure les échecs : « nous partageons les victoires, mais nous ne partageons pas les pertes » — partager les approches qui ne fonctionnent pas éviterait des duplications coûteuses.

Une distinction préalable — efficacité vs qualité de décision

Amratia rappelle d'abord la nature du produit nPlan : un système IA qui exploite des données historiques de performance de projets — corpus aujourd'hui de 800 000 projets et environ 3 trillions de dollars de dépenses de construction cumulées — pour aider à prendre une meilleure décision, et non simplement la même décision plus vite. Cette distinction est centrale : la valeur n'est pas dans l'efficacité (faire en moins de temps) mais dans la qualité (changer le résultat). Cette spécificité change la dynamique d'adoption — elle place l'outil en position de contradicteur potentiel du jugement humain.

Trois verrous non-techniques à l'industrialisation

Le diagnostic des pilotes en panne d'industrialisation est articulé autour de trois verrous qui sont en amont de la technologie elle-même.

• Adoption humaine — la résistance au changement. Le secteur nucléaire valorise l'expérience, le jugement et la créativité de ses opérateurs. Il n'y a jamais eu de concurrent à la « meilleure décision qu'une personne puisse prendre ». L'IA, qui peut désormais produire une décision de meilleure qualité dans certains périmètres, est vécue comme une menace pour l'identité professionnelle. Amratia rapporte que des centaines d'interlocuteurs ont perçu nPlan comme venant prendre leur emploi ou les faire « paraître stupides » — alors que le positionnement de l'outil est précisément de les aider à mieux faire leur métier.
• Culture du changement — l'ouverture aux pratiques nouvelles. La généralisation de l'IA suppose une disposition collective à réviser les méthodes établies. La personne qui dit « je fais cela depuis 40 ans, c'est la seule manière » freine la diffusion, quelle que soit la qualité de la technologie proposée. Le verrou est ici organisationnel et générationnel, pas technique.
• Optimisation des processus — la rationalisation préalable à l'hybridation IA. Greffer une technologie d'IA sur un processus inchangé revient le plus souvent à automatiser des inefficacités existantes. Le travail d'ingénierie des processus — révision des workflows, élimination des étapes redondantes, clarification des données nécessaires — doit précéder l'introduction de l'IA, sous peine de cristalliser dans l'algorithme les défauts du processus humain qui le précédait.

Les organisations qui passent du pilote au système à l'échelle ne sont pas celles qui multiplient les expérimentations technologiques, mais celles qui ont résolu cette équation à trois variables — résistance individuelle, ouverture collective, ingénierie des processus — en amont de toute introduction d'IA.

Sécurité des données partagées et signal pass-through

Sur la question récurrente de la mutualisation des données entre acteurs concurrents — comment intégrer des données sensibles d'AQ historique sans compromettre la sûreté ni les standards stricts — Amratia décrit le mécanisme retenu chez nPlan : anonymisation et signal pass-through. Le système ne révèle jamais la source originale d'une recommandation ; il indique seulement, étant donné une situation, les éléments d'information les plus pertinents pour la décision. La rétro-ingénierie de la source est impossible. La confiance est ensuite construite par des tests rédactionnels : on cache la réponse au système, on lui demande de prédire, on score sur des jeux de tests réducteurs. Des modèles statistiques permettent de démontrer l'efficacité du dispositif. La « rue à sens unique » est le critère critique au regard des standards de sûreté.

Le rôle d'une agence comme la NEA — la position d'Amratia

Amratia clôt sur ce qu'attend un acteur industriel des organisations intergouvernementales. Le constat est sans détour : « des centaines d'agences dans le monde développent indépendamment une politique IA ». Chacune dit avoir son standard, son processus, ses exigences ; en réalité, toutes achètent la même chose. Aucune entreprise ne peut produire 100 produits différents pour 100 agences différentes. La position d'Amratia tient en une phrase : une agence comme la NEA ou l'OCDE devrait fournir aux régulateurs nationaux une guidance partagée — décrire comment une organisation a procédé pour qualifier un cas d'usage, et offrir ce cheminement comme matériau de référence aux autres. Faire partager par EDF ou Sizewell C leur cheminement à travers le maquis réglementaire tient de l'impossible à l'échelle pratique ; c'est ce travail de mutualisation et de voix commune qui peut, selon Amratia, éviter aux autres entreprises de réinventer la roue. Aujourd'hui, juge-t-elle, « cent playbooks différents inventés en parallèle » : chronophage, peu utile, et ne profitant guère qu'aux consultants vendeurs de guides.

Lee ouvre sur le constat d'une période d'effervescence de l'IA pour la science — la drug discovery comme cas paradigmatique, écosystème de modèles ouverts, agents autonomes pour la recherche, partage de données et de modèles entre laboratoires, déploiement d'enveloppes financières en plusieurs milliards par NASA, Meta et autres acteurs structurants. Mais cette ouverture, énonce-t-il, pourrait n'être qu'un rêve d'hiver. Il propose alors une lecture historique des technologies stratégiques pour étayer son inquiétude.

Le motif historique récurrent — d'une commercialisation libre à un encadrement national

Le pattern est invariable : une nouvelle technologie naît dans l'ouverture économique, puis se referme progressivement à mesure qu'apparaissent les conflits entre puissances. Trois exemples documentés.

L'aviation. Inventée par les frères Wright en 1903, elle reste ouverte une douzaine d'années. Dès la Première Guerre mondiale, en 1915, l'avion Fokker E3 introduit la mitrailleuse synchronisée avec l'hélice — le passage de l'outil civil à l'arme stratégique est consommé.

Les semi-conducteurs. Ouverts par les Bell Labs en 1947, ils basculent en régime fermé en 2022 avec les contrôles d'exportation américains sur les outils de lithographie EUV (ASML), restreignant l'accès de certains pays compétiteurs.

La machine-outil CNC. Ouverte aux pays occidentaux jusqu'à la fin des années 1980 — l'élément déclencheur étant le scandale Toshiba : la vente clandestine d'une fraiseuse 9 axes à l'Union soviétique a permis à celle-ci de construire des sous-marins plus silencieux. Cette affaire a conduit à la mise en place de l'Accord de Wassenaar, qui régit aujourd'hui encore le contrôle d'exportation de ces équipements.

L'IA suit la même trajectoire — à rythme accéléré

Le même motif s'observe désormais sur l'IA. L'accès aux modèles, aux données et à l'infrastructure se fragmente déjà selon les frontières nationales. Lee cite deux exemples récents. Le modèle HunYuan de Tencent — fortes performances aux Olympiades scientifiques, comparable à GPT et Gemini — est aujourd'hui inaccessible aux États-Unis et en Corée du Sud. Anthropic a annoncé qu'il restreignait l'accès au cloud aux organisations majoritairement détenues par la Chine. Le motif « trop fort pour être partagé » est explicitement formulé : seuls quelques membres sélectionnés — le mythe des « 40 membres » dont seulement 12 noms sont publics — peuvent accéder à certains modèles.

Conséquences pour la Corée

Le gouvernement coréen tente d'établir des alliances avec les grandes entreprises — annonce récente d'un partenariat avec Google DeepMind. Mais l'avenir de cet accès reste incertain. Au-delà des collaborations avec les frontières AI, énonce Lee en clôture, la Corée doit construire ses propres modèles et infrastructures. C'est essentiel et il n'y a pas d'option de repli.

La capacité de l'IA générale dépasse l'humain dans plusieurs domaines

Yu situe d'abord l'état de l'IA générale fin 2024. Le modèle GPT-O1, sorti en septembre 2024, est devenu le premier modèle d'IA à dépasser l'équivalent humain de QI 100. Il a également décroché la première place au Suneung, l'examen d'entrée à l'université coréen — l'IA est désormais en compétition avec les meilleurs étudiants. Sur le benchmark GPQA Diamond, qui pose des questions au niveau scientifique universitaire, les modèles récents atteignent près de 90% — des performances comparables à celles de chercheurs spécialisés.

L'IA prend aussi en charge l'intégralité du processus de recherche : idéation, vérification de la littérature, expérimentation, analyse, écriture. Un article récent généré par IA et soumis à examen par les pairs a obtenu un score comparable à celui d'humains. La frontière s'élargit : l'IA passe d'outil à chercheur. Un nouveau journal scientifique entièrement autonome — l'IA y rédige les articles et les évalue — illustre ce basculement. Ce qui était de la science-fiction est devenu réalité.

Cas test — un réacteur SMR conçu en deux jours

Yu rapporte ensuite un cas opérationnel récent réalisé à KAERI, destiné à être présenté lors du KNS Spring Meeting 2026. Le périmètre : produire une étude de conception préliminaire complète pour un réacteur SMR à sels fondus de chlorure marin (Marine Molten Chloride Reactor) — un concept de petit réacteur modulaire utilisant un mélange de sels chlorures fondus comme combustible et caloporteur, particulièrement étudié pour la propulsion navale en raison de sa compacité et de sa résilience aux mouvements de plate-forme. Le choix d'un sel chlorure plutôt que fluorure modifie la physique neutronique (sections efficaces, capacités d'élimination thermique, compatibilité matériaux), ce qui ouvre un espace de paramètres significatif à explorer dès l'étude préliminaire.

Le cycle traditionnel pour ce type d'étude — cadrage neutronique, ébauche d'analyses de sûreté, dimensionnement thermo-mécanique, intégration des résultats dans un rapport structuré — mobilise habituellement plusieurs équipes pluridisciplinaires sur plusieurs mois, voire plusieurs années lorsque la filière est peu documentée. Le délai n'est pas tant lié à la difficulté unitaire de chaque calcul qu'à la coordination entre les équipes : chaque jeu d'hypothèses neutroniques contraint les analyses de sûreté qui contraignent à leur tour les choix de dimensionnement, et chaque itération demande un nouveau cycle de rédaction et de revue.

L'expérimentation a livré un rapport d'environ 300 pages en deux jours. La pile technique mise en œuvre articule trois éléments.

Premièrement, Claude (Anthropic) déployé en architecture multi-agents. Un agent orchestrateur dispatche les sous-tâches à des agents spécialisés : cadrage du design, choix des paramètres physiques, lancement et lecture des simulations, post-traitement, rédaction des sections du rapport. Les agents collaborent — l'agent simulation produit des résultats que l'agent analyse interprète, qui à son tour transmet les implications à l'agent rédaction ; ils se relisent mutuellement et arbitrent les décisions intermédiaires entre eux. L'orchestrateur n'exécute pas : il décide qui doit faire quoi à chaque étape, intègre les retours, et tranche les conflits éventuels entre agents.

Deuxièmement, OpenMC — code de transport neutronique Monte Carlo open-source développé au MIT et largement utilisé dans la recherche nucléaire mondiale — piloté directement par les agents. Cela signifie que les agents génèrent eux-mêmes les fichiers d'entrée OpenMC (géométrie, matériaux, sources, paramètres de simulation), lancent les calculs sur l'infrastructure de calcul disponible, attendent et lisent les sorties (flux, taux de réaction, coefficients de réactivité, distribution de puissance), puis propagent ces résultats vers les sections d'analyse pertinentes du rapport. Ce qui était jusque-là une compétence d'ingénieur neutronicien — savoir paramétrer correctement un calcul Monte Carlo et en interpréter les sorties — est ici exécuté par un agent IA qui n'a pas été pré-entraîné spécifiquement sur OpenMC mais qui s'appuie sur sa documentation publique pour piloter le code.

Troisièmement, l'accès à un corpus de référence — publications scientifiques sur la filière à sels fondus, paramètres de design typiques (compositions de sels, gammes de température de fonctionnement, géométries de cuve), benchmarks de la communauté MSR. Les agents s'appuient sur ce corpus pour fixer leurs hypothèses initiales (densité du sel, sections efficaces utilisables, dimensions de référence pour la propulsion navale), ce qui leur évite de partir d'une page blanche tout en garantissant une cohérence avec l'état de l'art publié.

Point méthodologique à relever — et c'est là que le seuil d'autonomie franchi devient le plus visible : les figures intégrées au rapport ont été sélectionnées par les agents eux-mêmes, et non préchoisies par un humain. À partir des résultats issus des simulations, les agents identifient les visualisations les plus pertinentes à présenter au lecteur (cartes de flux neutronique, histogrammes de spectre, courbes de réactivité en fonction de la température, schémas d'écoulement du sel), les génèrent et les insèrent dans le rapport accompagnées de leurs commentaires explicatifs. Le degré d'autonomie franchit ainsi un seuil que les démonstrations précédentes d'IA en ingénierie n'avaient pas atteint : l'IA ne se contente plus d'exécuter des tâches et de remplir des sections de rapport selon un canevas, elle décide du contenu pertinent à exposer dans une communication scientifique. C'est une délégation de jugement éditorial, pas seulement de production.

Yu présente ce résultat comme illustratif, non comme une finalité. Le rapport produit n'est pas un dossier de sûreté : c'est une étude de conception préliminaire qui resterait à approfondir, vérifier et faire valider par des experts. Mais il démontre qu'une partie substantielle du travail d'ingénierie nucléaire — celle qui mobilise des compétences génériques et des codes ouverts — peut désormais être assurée par des systèmes IA généralistes en quelques dizaines d'heures. C'est précisément à partir de ce constat que se construit l'argumentaire de la suite : l'IA généraliste fait beaucoup, mais bute sur quatre verrous propres au domaine nucléaire qui justifient une IA spécialisée.

Quatre limitations bloquantes pour l'IA générale dans le nucléaire

Cependant, énonce Yu, ce travail a aussi révélé les limites de l'IA générale appliquée au nucléaire. Quatre raisons bloquantes.

(1) La connaissance du domaine nucléaire n'est pas dans les données publiques. La régulation, l'analyse de sûreté, les plans de design et les procédures plante ne sont pas accessibles aux modèles entraînés sur internet.

(2) La connaissance interne est confidentielle. Le détail opérationnel reste verrouillé chez les exploitants.

(3) La décision nucléaire doit être auditable et traçable. Il ne s'agit pas de produire une réponse « à la meilleure preuve » mais d'établir une décision défendable devant le régulateur.

(4) La souveraineté impose un serveur de données limité et un contrôle on-premise. Les modèles cloud propriétaires ne peuvent pas être la solution.

La conclusion de Yu est catégorique : une IA spécialisée nucléaire n'est pas optionnelle. C'est une condition de déploiement sûr et confiant.

KNSPT et la réponse coréenne

Les États-Unis ont compris cela : le DOE a récemment annoncé la mission Genesis. L'Idaho National Laboratory est partenaire de NVIDIA sur la plateforme Prometheus, et d'AWS sur le digital twin pour les réacteurs modulaires.

La Corée répond avec KNSPT (Korean Nuclear Specialized Pre-Trained model). Construit sur les données internes du KAERI : 4 000 articles techniques, 100 000 chapitres de référence, 80 000 cas d'opération du parc coréen. Le modèle de base est XA-14 (MGAI), avec retraining continu et fine-tuning supervisé. Le résultat : une amélioration de 10 à 20% sur le domaine nucléaire par rapport au modèle de base. Un système de récupération multimodale pour les documents réglementaires a également été construit et testé.

NAIS — le hub national IA pour la science

Yu accède à ses nouvelles fonctions de directeur opérationnel du National AI for Science Centre (NAIS), structure créée comme hub central de la stratégie coréenne d'IA pour la science. Trois missions : intégration des ressources, optimisation et utilisation, innovation native IA. Modèle d'opération hub-and-spoke récemment lancé. À l'échelle institutionnelle, NAIS construit des scientifiques autonomes — non à l'échelle individuelle. La déclinaison nucléaire de ce système est en cours de spécification, équipée des designs, analyses et données de licensing ; elle agrégera les ressources de KAERI, KINS, KHNP et de l'académie en un National Nuclear Data Hub.

L'un des 12 MoonShots nationaux est désigné comme cible idéale pour cette approche : le Marine SMR for Ship Propulsion. Yu projette une cible opérationnelle de 80% d'efficacité IA pour 20% d'intelligence humaine.

Une relation symbiotique nucléaire–IA

Thorne ouvre par un cadrage : l'IA n'est pas qu'un consommateur d'énergie pour le nucléaire — elle devient un outil de transformation de la manière dont les systèmes complexes sont conçus, construits et opérés. La relation est symbiotique. Le nucléaire alimente la croissance de l'IA, et l'IA améliore l'efficacité, l'économie et la scalabilité des systèmes nucléaires. Pour amplifier cette dynamique, le nucléaire doit s'appuyer sur les industries qui ont déjà adopté l'IA dans des environnements sûreté-critiques fortement régulés — aérospatial, automobile, manufacture, défense. Dans ces secteurs, l'IA n'est pas un appoint mais une nécessité, parce que les avions, véhicules, usines et plateformes de défense sont devenus trop complexes pour être pilotés par des procédures purement humaines.

Quatre secteurs, quatre leçons transposables

Aérospatial — les digital twins. Les motoristes et avionneurs ont créé des répliques virtuelles haute-fidélité simulant la performance sur tout le cycle de vie — du design à la certification, de l'opération à la maintenance. Cela a transformé fondamentalement la gestion du risque : au lieu de s'appuyer uniquement sur les essais physiques, les ingénieurs simulent des milliers de scénarios et détectent les problèmes avant qu'ils ne se matérialisent. Pour le secteur nucléaire, des digital twins de réacteurs pourraient améliorer la séquence de construction, la validation de sûreté et la gestion des actifs sur le long terme — faisant passer les projets de réactifs à prédictifs.

Manufacture — la maintenance prédictive. La détection d'anomalies avant la défaillance, partie de pilotes ponctuels, est passée au statut d'outil opérationnel récurrent : ROI mesurable, friction réglementaire relativement basse. Application directe au nucléaire : pompes, vannes, systèmes auxiliaires.

Automobile — l'augmentation plutôt que le remplacement. Le secteur automobile a introduit progressivement des systèmes d'aide à la conduite (ADAS) qui augmentent les capacités humaines sans les remplacer, plutôt que de basculer directement vers l'autonomie. Cette approche par paliers est très pertinente pour le nucléaire : la cible ne doit pas être des réacteurs autonomes, mais des opérations assistées par IA où les humains conservent le contrôle. L'IA traite des flux de données massifs, détecte des patterns subtils et formule des recommandations — non comme un remplaçant, mais comme un opérateur continu et vigilant.

Défense et manufacture — la chaîne d'approvisionnement. Sur les programmes complexes, un seul retard peut désorganiser tout un calendrier. L'IA est utilisée pour la prévision, la logistique et la planification. Pour le nucléaire — où la fragilité des chaînes d'approvisionnement provoque retards et dérives budgétaires sur les nouveaux chantiers — la transposabilité du cas d'usage est immédiate.

Quatre erreurs récurrentes à éviter

Thorne consolide ensuite les leçons sous forme d'une taxonomie d'erreurs systémiques observées dans les secteurs comparables.

Une trajectoire structurée en quatre paliers — le digital twin au centre

Thorne propose un chemin d'adoption structuré : (1) fondations de données, (2) analyse prédictive, (3) aide à la décision, (4) opérations semi-autonomes. Cette progression reflète celle qu'ont suivie les secteurs aérospatial et automobile. Au centre du dispositif, le digital twin : représentation virtuelle continuellement mise à jour de l'actif physique, qui permet l'intégration du cycle de vie depuis la conception et la construction jusqu'à l'opération et au démantèlement. Le digital twin devient ainsi l'épine dorsale de l'écosystème nucléaire augmenté par l'IA.

Thorne souligne deux conditions complémentaires : la standardisation (modèles de données partagés, méthodes de validation, benchmarks) sans laquelle l'adoption restera fragmentée, et la collaboration industrielle élargie — gouvernements, régulateurs, développeurs, fournisseurs technologiques — pour construire un playbook nucléaire commun. Le secteur n'a pas à inventer cette transformation seul ; les autres industries en ont déjà exploré les chemins sous contraintes voisines.

Thorne conclut sur un retournement de question : la question n'est pas, selon lui, si l'IA peut former le futur nucléaire, mais si le nucléaire saura mobiliser l'IA avec efficacité. En se concentrant sur des cas d'usage pratiques, des fondations digitales solides et une collaboration cohérente, le nucléaire peut, juge-t-elle, devenir non seulement bénéficiaire de la révolution IA, mais aussi un de ses piliers centraux.

Trois défis posés à l'adoption de l'IA en aviation

Kim ouvre son intervention par une distinction structurante. Automatisation et autonomie ne sont pas équivalentes. Les systèmes d'automatisation traditionnels en aviation sont déterministes : la même entrée produit la même sortie. L'autopilote en est l'archétype — machine connue, fiable, qui s'inscrit dans la chaîne d'automatisation aérienne. L'IA est différente. Même donnée la même information, le système peut produire des sorties différentes selon les circonstances. Cela soulève une question de responsabilité : si un système autonome commet une erreur, qui en répond — fabricant, opérateur, machine elle-même ? Le rôle des systèmes IA doit donc être clairement défini avant qu'on leur confie une autorité de contrôle complète.

Sécurité, résilience, certification. En aviation, la sûreté est une priorité non négociable. Le secteur travaille sur des objectifs quantifiés — un niveau de sûreté typique en aviation civile correspond à un accident critique pour un million d'heures de vol. Une fois prouvée la conformité à ce niveau, le système est certifiable. Le défi : comment vérifier l'IA, dont la nature stochastique rend la démonstration non triviale ? La réponse à cette question est encore ouverte.

Les parties prenantes. Gouvernements, opérateurs privés, public général. Sur l'exemple d'un contrôle aérien automatisé : la résistance des contrôleurs serait considérable. Personne n'accepte d'être remplacé ; et la sûreté ne peut être compromise. Comment introduire un système IA dans un tel contexte sans soulever un conflit d'intérêts irrésolvable ? Cela exige plus de discussion et davantage de consensus entre parties prenantes.

SMS et modèle Swiss Cheese — un cadre commun aviation-nucléaire

Kim ouvre sur le rapprochement structurel entre aviation et nucléaire. Les deux secteurs opèrent sous le cadre Safety Management System (SMS), formalisé par convention internationale : chaque État ou organisation est tenu d'avoir son SMS articulant quatre composantes — politique de sûreté, gestion des risques, assurance de la sûreté, promotion de la sûreté. L'objectif partagé est de conduire la sûreté par approches systématiques. La sûreté ne s'atteint pas par les seules réglementations mais aussi par la culture et la promotion. Dans les deux secteurs, le modèle de défense en couches dit « Swiss Cheese » structure la lecture des défaillances.

Disponibilité des données — un double obstacle pour l'IA générale

Kim isole deux limitations spécifiques à l'aviation pour l'application de l'IA générale. Premièrement, les événements à modéliser — anomalies, prédictions de situations accidentelles — sont par nature rares. Le volume de données disponibles pour entraîner un modèle IA sur ces cas anormaux est insuffisant. Deuxièmement, les données opérationnelles des compagnies aériennes sont sensibles : départ, arrivée, embarquement, gestion des opérations contiennent des informations stratégiques que les compagnies ne souhaitent pas révéler. L'accès des chercheurs et du grand public reste limité. Les modèles IA généraux ou commerciaux ne peuvent pas, à eux seuls, répondre à ces contraintes.

Une introduction par phases pour l'IA en aviation

À ce jour, aucun système IA pleinement automatisé n'est déployé pour les opérations quotidiennes en aviation civile. Les recherches sont actives mais les contraintes de formation des opérateurs et de sûreté empêchent l'adoption directe. Kim décrit la voie qui paraît praticable comme une introduction par phases. Phase 1 : intégrer l'IA comme outil d'aide à la décision — seconde opinion pour le contrôleur humain, qui valide ou récuse. Phase 2 : construire les preuves et codes de certification permettant la qualification réglementaire. Phase 3 : autoriser un usage quotidien fondé sur l'historique des données accumulées en phases 1 et 2.

Tension sécurité/efficacité et harmonisation internationale

Sur la dynamique d'innovation forte de l'aviation (autopilotes, simulateurs sophistiqués), Kim identifie deux moteurs en tension. Un moteur économique : les coûts de personnel constituent la deuxième composante de coût des compagnies (~20% des coûts d'opération) ; l'IATA, qui représente les compagnies, plaide systématiquement pour l'automatisation au sein des panels techniques de l'OACI. Un moteur réglementaire : la FAA et l'EASA investissent massivement dans la sûreté et l'efficacité du système aéroportuaire. La tension entre sûreté (poussée par les régulateurs) et efficacité (poussée par les compagnies) a structuré le rythme d'innovation.

La leçon transférable au nucléaire qu'identifie Kim concerne l'harmonisation internationale. L'aviation civile doit, par construction, harmoniser ses opérations à travers les frontières — l'introduction de toute nouvelle technologie, IA comprise, doit donc être harmonisée et interopérable dès l'origine. Pour le nucléaire, cela suggère d'introduire les systèmes IA avec une exigence d'harmonisation entre régulateurs nationaux, plutôt que par couches successives non-interopérables. Kim ajoute en clôture une nuance sur la différence entre aviation et spatial — la majorité des opérations aériennes étant privées tandis que la majorité des opérations spatiales sont étatiques, les leviers de régulation diffèrent sensiblement.

IA générale ou IA custom — une question de coûts et de risques

Ferrer Jover répond d'abord à la question fondatrice posée par le modérateur — quand utiliser une IA générale ou commerciale, et quand développer sa propre IA spécialisée ? Sa lecture est que la réponse varie sensiblement par secteur. En manufacture, l'objectif est d'automatiser autant que possible — l'IA généraliste y a sa place. En automobile, les véhicules modernes intègrent un complexe de capteurs (caméras, radars, ultrasons) où l'IA prend le relais du pilote dans les situations critiques ; le seuil de personnalisation est plus élevé. En défense, les contraintes réglementaires imposent un niveau de spécialisation supérieur encore.

Le critère de décision tient en deux mots : coûts et risques d'erreur. Quand le coût d'une erreur — humain et budgétaire — est faible, une IA commerciale sur étagère (COTS) convient. Quand le coût est très élevé — comme c'est le cas dans le nucléaire — il faut abandonner la plupart des automatismes prêts à l'emploi et concevoir un système sur-mesure pour ce qui doit l'être. Cette analyse coûts/risques est, selon Ferrer Jover, le pivot de toute décision d'architecture IA dans une industrie sûreté-critique.

Trois erreurs récurrentes — données, intégration, force de travail

Ferrer Jover restitue les trois erreurs qu'il observe dans les programmes IA conduits par les grandes industries européennes — défense, aviation, énergie. Première erreur : la donnée pensée comme objet isolé. Les entreprises génèrent des volumes considérables de données mais peinent à gérer leur propre socle d'information. Sa recommandation est de penser une architecture de données intégrée à travers tous les maillons de la chaîne de valeur, et non en silos. Sans cette architecture, parler d'IA n'a pas de sens — il faut d'abord la bonne qualité et la bonne quantité d'information.

Deuxième erreur : ne pas concevoir l'intégration de bout en bout. Trop souvent, les programmes traitent l'information en silo selon les processus ou les produits. La cible doit être l'intégration de toutes les phases de la chaîne de valeur — du design jusqu'à la fin de projet, à la livraison du matériel, aux procédures de mise en service, à la prise en main et à la livraison finale au client.

Troisième erreur : ne pas nourrir la force de travail. La technologie ne suffit pas ; il faut combler le fossé technologique en formant les équipes et en impliquant le management — processus, managers, décideurs. Les transformations IA réussies ont l'aval et l'engagement actif de la direction, qui prend les décisions structurantes que la technologie seule ne tranche pas.

Construire le digital thread sur le cycle de vie nucléaire

Sur la question de la traçabilité numérique de bout en bout — particulièrement critique pour le nucléaire dont les composants ont un cycle de vie de 60 à 100 ans — Ferrer Jover oriente la réponse vers l'idée architecturale plutôt que vers une technologie spécifique (la blockchain, par exemple, n'est pas la bonne entrée). Sa recommandation est de partir d'une architecture de l'information digitale large et d'apprendre des grandes mutations industrielles antérieures — ce qu'il appelle un big change of plan, c'est-à-dire l'importance d'une vision de bout en bout sur l'ensemble des parties.

Le digital thread n'est pas un écran : c'est aussi les processus de fabrication. La distinction système/processus structure la cohérence — chaque étape (design, construction, finalisation) doit s'inscrire dans la même méthode, et la même méthode de "nettoyage" doit être appliquée à chaque étape pour produire un résultat efficace. Apprendre des expériences des autres secteurs reste la meilleure manière de ne pas répéter leurs erreurs.

Maintenance prédictive — démarrer petit, démarrer typique

Sur la maintenance prédictive, Ferrer Jover propose une lecture par cas d'usage. La maintenance prédictive est aujourd'hui établie dans les industries d'extraction et d'agrégation. Le secteur des véhicules — y compris militaire — l'applique aussi : les conditions d'usage (terrain isolé vs. usage urbain) modifient profondément le modèle de prédiction. Le même raisonnement vaut pour les centrales nucléaires : selon le cas d'usage et la consommation énergétique, des modèles différents s'appliquent.

Sa recommandation opérationnelle : commencer petit, par étapes, et ne pas chercher à instrumenter d'emblée une centrale entière — ce serait à la fois inutile et inefficient. Démarrer par un succès franc sur un cas typique, puis essaimer vers les autres centrales. La cible finale — l'optimisation au niveau du design — viendra par accumulation des succès intermédiaires, pas par approche frontale.

Ferrer Jover conclut en rappelant que la priorité partagée par tous les secteurs émergents (drones, mobilité automatisée, IA) est désormais la standardisation des régulations entre domaines, en particulier sur les technologies les plus matures.

Pourquoi le RAG seul ne suffit pas

Prinja entre dans la session par un cadrage technique. Le défi de l'ingénierie sûreté-critique nucléaire est le raisonnement multi-documents : des couches et des couches de documents techniques, de codes, de standards, qu'un LLM seul ne peut pas naviguer sans halluciner. La retrieval-augmented generation apporte une réponse partielle — récupération sémantique de morceaux de texte injectés dans le contexte avant que le modèle ne génère sa réponse — mais elle souffre de quatre limitations structurelles qu'il énumère explicitement. Domain knowledge gap : le RAG ne contient pas intrinsèquement la connaissance spécialisée ou interne à l'entreprise. Interdependency blind spot : la récupération par chunks peine avec les dépendances multi-documents, et peut sélectionner des exigences issues de codes ou standards expirés ou obsolètes. Hallucinations : les LLM peuvent générer des affirmations techniques ou réglementaires trompeuses sans ancrage structuré. Et la formule synthétique de Prinja : « le RAG ne sait pas ce qu'il ne sait pas ». La conclusion est qu'un usage standard du RAG et des LLM est insuffisant pour les cas de sûreté safety-critical.

GRACE — graphe de connaissances comme architecture de confiance

La proposition de Prinja prend la forme d'un projet nommé GRACE (Graph-RAG for Assurance in Critical Engineering). L'idée est d'ajouter une couche de graphe de connaissances au-dessus du RAG. Le graphe représente la connaissance solidifiée comme un réseau : les entités sont des composants, des paramètres, des codes, des standards, des modes de défaillance, des matériaux, des organisations ; les relations sont les arêtes typées qui les connectent — defines, has-parameter, constrained-by, causes, mitigates, part-of, depends-on. Critère décisif pour le nucléaire : la provenance est préservée à chaque arête — chaque relation est sourcée par un ou plusieurs documents qui la justifient (document ID, lens type, timestamp). La chaîne logique d'ingénierie complète peut alors être restituée dans la carte : company → project → components → materials → standards → requirements → verification/evidence → risk mitigation. Cette architecture autorise un raisonnement multi-saut qui est précisément ce dont les cas de sûreté ont besoin : la chaîne de causes, la propagation des défaillances, l'identification des dépendances qui ne sautent pas aux yeux à la lecture séquentielle des documents.

Une démonstration sur GoldFire et 172 millions de documents techniques — le cas RCP

Prinja illustre l'approche par un exemple sur la pompe primaire de réacteur (Reactor Coolant Pump, RCP). Il a utilisé la solution GoldFire, outil de cognitive search d'Accuris qui donne accès à 172 millions de documents techniques, et interrogé le périmètre des composants de réacteur nucléaire avec la requête « coolant pump for nuclear reactors ». Quatre lenses ont été exportées (Causes, Functions, Made-up-of, Concepts), sauvegardées en CSV, puis un graphe de connaissances compact a été construit en prenant les cinq éléments de tête de chaque lens et en ajoutant les liens croisés.

L'analyse mobilise des concepts de théorie des graphes pour faire émerger la structure. La centralité de degré (nombre de connexions d'un nœud, qui repère les éléments les plus connectés) montre une équipartition entre circulation of coolant, RCP flywheel, pump motor et pump housing à 0,3 chacun. La centralité d'intermédiarité (les nœuds qui font le pont entre communautés) révèle une asymétrie nette : le nœud RCP domine à 0,7947, suivi très loin par RCP flywheel et RCP operation à 0,0158, puis pump housing à 0,0105. Lecture : la pompe primaire elle-même fonctionne comme l'intermédiaire critique du graphe — un nœud de passage obligé pour le raisonnement, ce qui est un résultat structurel cohérent avec son rôle physique. Une détection de communautés par maximisation modulaire gloutonne identifie trois sous-domaines internes au graphe.

Au-delà du graphe — réseaux bayésiens, chaînes de Markov, agents de raisonnement

Prinja énumère ensuite les extensions naturelles. Le graphe peut servir à modéliser états de défaillance, événements, et dépendances conditionnelles : un réseau bayésien superposé permet d'inférer la probabilité postérieure d'une défaillance à partir des défauts observés. Une chaîne de Markov exploite les transitions d'états dans le temps pour outiller la planification de maintenance préventive. Plus prospectivement, les graphes agentiques — agents de raisonnement pour adaptation dynamique du graphe de connaissances — esquissent un horizon où le graphe se met à jour de lui-même au fil des nouveaux documents et événements. Cinq cas d'usage cibles sont nommés : standards compliance graphs, root-cause and mitigation networks, safety-case evidence chains, failure propagation and design change impact, innovation landscape mapping.

De la gouvernance statique à la gouvernance dynamique

En clôture de son intervention principale puis dans la discussion, Prinja place une seconde proposition forte : la gouvernance des codes et standards doit basculer du statique au dynamique. La gouvernance actuelle s'appuie sur des stratégies statiques : documents-papier, codes-papier, standards-papier. Or les centrales nucléaires évoluent en continu — composants modifiés, réparations, optimisations — et les codes et standards eux-mêmes changent tous les quatre ans environ. Il faut donc des évaluations dynamiques, des codes et standards machine-readable, des documents qui se mettent à jour. C'est précisément à ce point d'achoppement, énonce Prinja, que l'IA bute sur la rigidité réglementaire actuelle.

Le contexte — défauts combustible et radiochimie

Abdoelatef, ex-stagiaire au KEPCO International Nuclear Graduate School en Corée (2014–2016), titulaire d'un PhD en sciences des matériaux de Texas A&M, et qui a ensuite contribué à la mise en service des unités APR-1400 en Corée puis aux Émirats, situe son travail au cœur du programme Fuel Performance and Reliability d'EPRI à Charlotte. Le périmètre : la détection des défauts combustible par analyse des données de radiochimie. Rappel de physique élémentaire : lorsqu'une fission se produit, les noyaux se scindent en fragments. Certains de ces fragments — xénon, krypton — peuvent être détectés dans l'eau de refroidissement, ce qui constitue une signature de défaillance combustible (par exemple, fissuration d'une gaine permettant la sortie de produits de fission). Ce n'est généralement pas sévère : les exploitants peuvent continuer à opérer en sûreté, mais l'identification est obligatoire et les limites d'exploitation s'imposent en cas de défaillance avérée. L'analyse traditionnelle est complexe et nécessite la coordination de plusieurs experts.

Trois modèles couplés & une équipe d'experts métier

L'objectif d'EPRI est de fournir un assistant — au sens littéral d'un ingénieur supplémentaire dans l'équipe — capable d'accélérer ces analyses. Le modèle ne remplace pas l'humain : il complète et assiste les méthodes de détection existantes. Trois modèles spécialisés répondent à trois questions distinctes. Modèle 1 — probabilité de défaillance : à partir des données historiques de radiochimie, le modèle estime la probabilité que le cœur contienne actuellement une défaillance combustible. Modèle 2 — prédiction du burnup du crayon défaillant : à partir des données de radiochimie de la défaillance courante, le modèle prédit le taux de combustion du crayon défaillant — information critique car elle aide à le retrouver pendant l'arrêt de tranche, en restreignant le champ d'inspection visuelle. La sortie est formatée comme estimation accompagnée d'une borne d'erreur (par exemple, 35 ± x GWj/tU). Modèle 3 — classification du mode de défaillance : à partir des données, tendances et patterns radiochimiques, le modèle identifie la cause-racine probable — défaut de fabrication, présence de débris, interaction pastille-gaine, etc. — sous forme de probabilités par classe.

L'entraînement repose sur les données de pratiquement l'intégralité de la flotte américaine REP depuis 2000 — un actif unique d'EPRI, fruit de décennies de mutualisation entre exploitants. La construction des modèles commence par un nettoyage rigoureux des données et mobilise une équipe pluridisciplinaire d'experts métier (Subject Matter Experts) — design produit, science des matériaux, neutronique, chimie. Le modèle ne comprend pas la physique : il faut l'y contraindre par du physics-informed feature engineering — introduction de variables construites à partir de principes physiques connus, accompagnée de pénalités lorsque le modèle viole une contrainte physique et de bonus quand il la respecte. Les SME définissent ensuite les seuils d'acceptation sur les trois métriques : Time Lag (décalage temporel entre la défaillance réelle et sa détection), Failure Caught (capture dans une fenêtre de 3, 7 ou 14 jours), False Positive (détection signalée alors qu'aucune défaillance n'a eu lieu — qu'aucun exploitant n'accepte de voir dans une centrale).

Une généralisation observée sur des données EDF

Étape de validation à signaler : les modèles ont été testés sur des données EDF, sur lesquelles ils n'avaient jamais été entraînés. L'opération d'EDF diffère sensiblement de celle des exploitants américains. Le résultat — les modèles ont reconnu des patterns malgré l'absence d'entraînement spécifique — apporte une indication précieuse sur la généralisation. Abdoelatef présente cela comme un signe encourageant de capacité d'adaptation au-delà des données d'entraînement, et un point d'appui pour la suite : une extension prévue aux réacteurs à eau bouillante (REB), au-delà du périmètre REP initial.

ISOP et la première publication IAEA sur l'IA

Ngoy Kubelwa ouvre par le rappel d'ISOP — International Network on Innovation to Support Operating Plants — réseau créé par l'IAEA pour aider à déployer l'innovation dans le nucléaire civil. Quatre groupes de travail actifs, dont elle anime le groupe IA. Plus de 130 experts contribuent. L'an dernier, le groupe a livré la première publication IAEA sur l'IA — Considerations for the Deployment of AI in Nuclear Power Plants. Plusieurs sections-clés : bénéfices réels ancrés sur des cas d'usage réels (et non des annonces), gestion du cycle de vie des systèmes IA, considérations sur les données et les défis associés, considérations dites d'autres dimensions — initialement nommées réglementaires puis renommées après échanges avec les régulateurs impliqués. Ces dernières couvrent la préparation réglementaire, les facteurs humains, l'approche graduée.

Une seconde publication est en cours, prévue pour la fin 2026 : Safety Implications of AI Use. Document conjoint entre la Division Sûreté des Installations Nucléaires et la Division Sécurité Nucléaire de l'IAEA. Pilotage assuré par Hyun-Koo Kim (Corée). Cette publication marque le franchissement d'un seuil — le passage des considérations générales de déploiement vers les implications spécifiques de sûreté.

Une organisation en six task forces

Le groupe ayant grossi à plus de 130 experts, Ngoy Kubelwa l'a restructuré en task forces spécialisées.

Ce qui converge, ce qui diverge entre États membres

Sur la question de la diversité d'approche, Ngoy Kubelwa distingue les deux dimensions. Convergence sur la trajectoire : l'IA doit être utilisée avec redevabilité humaine, son usage relève de l'appui à la décision et non du transfert de responsabilité. Convergence aussi sur le besoin de préserver la traçabilité, et sur les défis du passage à l'échelle. Divergence sur la profondeur du déploiement, sa rapidité (selon les budgets et la disponibilité des études), et — plus déterminant que ce qu'elle annonce comme observation — la culture d'acceptation du risque par État membre. Certaines organisations ne sont pas prêtes à utiliser l'IA parce qu'elles redoutent que leurs régulateurs ne l'acceptent pas ; d'autres avancent de manière plus proactive. Sur l'harmonisation des standards de qualification, l'IAEA observe les pratiques des États membres mais n'a pas de standard adopté, et chaque État reste indépendant dans son adoption.

Le paradoxe de la confiance — l'incertitude bien dite

Cowley pose un cadrage contre-intuitif : si on demande à quelqu'un une question et qu'il répond « à 100% je connais la réponse », cela érode la confiance plutôt que de la construire. À l'inverse, quand l'interlocuteur répond honnêtement « je ne sais pas, il me manque des informations », la confiance s'installe. C'est la thèse de fond de DigiLab : dans les industries où la confiance dans les modèles d'IA est un verrou — nucléaire, fusion, aérospatial — toutes les approches IA ne sont pas également non-fiables. On peut se concentrer sur les méthodes qui construisent plus facilement la confiance avec les utilisateurs finaux. Trois leviers : méthodes légères, méthodes explicables aux ingénieurs et scientifiques, et quantification rigoureuse de l'incertitude.

Trois cas d'usage en design et simulation nucléaire

Accélération par modèles de surrogate. Substitution des outils de simulation par des modèles d'apprentissage automatique jusqu'à un million de fois plus rapides, exemple sur l'optimisation de scénarios de réacteurs de fusion. Mais Cowley souligne un usage souvent sous-estimé : utiliser les modèles d'apprentissage non pour remplacer les simulations mais pour les guider — par Active Learning ou optimisation bayésienne. Recommander à l'ingénieur quel paramètre ajuster pour atteindre la convergence à la prochaine itération. Effet typique observé : réduction de 80% du nombre de simulations nécessaires pour atteindre une réponse, même sans accorder de confiance au modèle de surrogate lui-même.

Placement optimal de capteurs. Cadre méthodologique : Bayesian Experimental Design. L'apprentissage automatique aide à positionner les capteurs en plante ou sur banc d'essai pour minimiser l'incertitude d'observation. Exemple cité : placement de thermocouples pour réduire l'incertitude sur l'estimation de charge thermique. Le gain est tangible : un système optimisé livre 2 à 5 fois moins d'incertitude pour le même budget capteurs qu'un placement non optimisé.

Digital twin par inférence probabiliste. À partir de mesures de plante, plutôt que les stocker telles quelles (« température de tel point à 100°C »), on en infère un état simulé probabiliste de l'installation. Au lieu d'affirmer un état unique, le système liste les états plausibles avec leur probabilité. Particulièrement utile pour la maintenance prédictive — où le pire-cas et la communication du risque à l'utilisateur final comptent davantage qu'une affirmation à 100%. Cas d'application chez DigiLab : échangeurs thermiques, tests de réfrigérateurs pour des sociétés d'ingénierie. L'inférence probabiliste change le mode de décision : on n'oblige plus l'utilisateur à « être certain à 100% », on lui donne le risque.

UQ inhérente et UQ par bruit — distinction technique pour la qualification

Cowley apporte la précision technique en réponse à une remarque sur l'IA déterministe imposée pour les décisions critiques de sûreté. La question récurrente que reçoit DigiLab est posée d'emblée : « si je n'arrive pas à faire confiance à l'IA, et que vous me proposez de la quantification d'incertitude, comment puis-je faire confiance à la quantification d'incertitude produite par cette même IA ? » Cowley la dénoue en distinguant deux choses régulièrement confondues sous le terme générique de « modèle probabiliste » — et qui n'ont pas la même valeur réglementaire.

Premier type — l'UQ inhérente (DigiLab)

Cowley appelle cela un modèle déterministe au sens fort : un seul hyperparamètre, comportement reproductible bit-à-bit (identique à la précision binaire de la machine, c'est-à-dire mathématiquement identique sans la moindre dérive). Pour des entrées données, le modèle produit toujours la même distribution prédictive. Ce qui est quantifié dans la marge, c'est l'incertitude inhérente aux données fournies : rareté, bruit, corrélations, zones où l'on n'a tout simplement pas mesuré. Le modèle, lui, ne change pas — toute la variabilité observée provient des données.

L'approche de DigiLab est fondée techniquement sur les processus gaussiens (Gaussian Processes) — méthode bayésienne non-paramétrique qui produit, pour chaque point d'entrée, une moyenne et une enveloppe d'incertitude. Cette enveloppe s'élargit là où les données manquent et se resserre là où elles sont denses. La méthode est bayésienne au sens où elle propage explicitement les incertitudes depuis ce que l'on sait avant la mesure (distribution a priori) jusqu'à la prédiction finale (distribution postérieure) ; elle est non-paramétrique au sens où elle n'impose pas de forme rigide a priori — ce sont les données qui dictent la forme. Conséquence pour le débat : aucune variabilité supplémentaire n'est imputable au modèle lui-même, qui est nulle par construction.

Second type — l'UQ par bruit d'hyperparamètres

Cowley caractérise cette seconde famille comme des modèles stochastiques — qui contiennent du hasard intrinsèquement. Trois techniques sont caractéristiques. Le dropout : à chaque exécution, le modèle désactive aléatoirement une fraction de ses neurones, ce qui le force à fonctionner avec des configurations légèrement différentes. Les ensembles : on entraîne plusieurs modèles différents en parallèle (par exemple dix réseaux de neurones avec des architectures voisines mais distinctes), puis on combine leurs sorties. L'initialisation aléatoire des poids : chaque entraînement démarre avec des valeurs initiales tirées au hasard, ce qui fait converger l'algorithme vers des solutions un peu différentes même avec exactement les mêmes données.

Le résultat ressemble formellement à celui du Type 1 — une distribution prédictive, une enveloppe d'incertitude — et visuellement on obtient une moyenne et une marge exactement comme avant. Mais la nature de cette marge est différente : elle ne dit plus uniquement quelque chose sur les données, elle dit aussi quelque chose sur le modèle. Et surtout, la distribution prédictive elle-même n'est pas reproductible — refaire le calcul donne une marge légèrement différente, parce que les tirages aléatoires internes au modèle ne sont pas les mêmes.

L'enjeu réglementaire — la reproductibilité comme ligne de partage

Pour un régulateur, la condition minimale d'auditabilité est de pouvoir refaire le calcul et obtenir exactement le même résultat. C'est ce qui permet de tracer une décision, de l'expertiser, de la contester si besoin. Sans cette propriété, l'expertise indépendante perd son point d'appui — on ne peut pas vérifier le travail d'un modèle dont on ne peut pas reproduire la sortie.

Un modèle de Type 1 satisfait cette condition par construction. Un modèle de Type 2 ne la satisfait pas : deux choix s'offrent au mieux, tous deux problématiques. Soit on fixe arbitrairement toutes les sources de hasard (en imposant la même graine aléatoire à chaque exécution, en figeant les masques de dropout, etc.) — ce qui produit une reproductibilité de surface mais ne supprime pas le problème conceptuel, puisque la marge d'erreur reste un mélange entre incertitude des données et variabilité du modèle, sans capacité à les démêler. Soit on accepte que la décision puisse varier d'un calcul à l'autre — et alors on sort des conditions élémentaires d'un cas d'usage de sûreté.

Le terme « modèle probabiliste » recouvre donc deux réalités opérationnellement très différentes. L'amalgame est, de l'avis de Cowley, l'un des principaux malentendus du débat actuel sur l'IA en environnement régulé. La distinction technique entre les deux types n'est pas une finesse académique : c'est le critère qui sépare ce qui peut être présenté à un régulateur et ce qui ne peut pas l'être en l'état des référentiels.

Arnould démonte l'image traditionnelle de l'investissement growth stage : « il y a deux façons d'être investisseur. Soit vous faites des cocktails et lisez des livres, soit vous avez un outil qui vous permet d'identifier les entreprises directement. » Jolt Ninja exploite uniquement des données publiques (sites web, dépôts de brevets, communiqués) qu'il structure en analytique de graphe — une entreprise ajoutée par minute, ordres de magnitude au-dessus des outils standard d'investisseur (typiquement 20–30 000 entreprises). Au-dessus, un agent IA nommé Blaise produit à la demande des notes d'investissement structurées (alignement avec la thèse, lecture du produit, marché, traction, partenaires industriels par géographie). Filtré sur le secteur nucléaire (Europe, Amérique du Nord, Asie ; 20–500 employés ; au moins un brevet), l'outil remonte 158 entreprises éligibles, dont l'IA et les données concentrent 25 % — second cluster fonctionnel après la génération elle-même.

L'analyse-clé porte sur le ratio entreprises non-adossées vs. adossées à un investisseur capital-risque ou capital-investissement. La moyenne deep tech sectorielle est de 2,5 pour 1. Le nucléaire global est à 5 pour 1 — deux fois la moyenne. La tranche 50–200 employés monte à 8 pour 1, la plus sous-investie. Inversement, le sous-segment SMR pure de plus de 50 employés est saturé : la majorité a déjà un investisseur, fenêtre largement passée. Les zones d'entrée privilégiées sont les sous-segments à fort contenu de logiciel technique — drones de surveillance, jumeaux numériques, plateformes IA spécialisées.

Lim retrace le basculement coréen. Pendant des décennies, l'énergie nucléaire en Corée était « exclusivement le domaine du gouvernement : R&D publique, institutions gouvernementales, pas d'entrée privée ». La bascule de 2022 tient à deux programmes. Le Deep Tech Incubation Project (DIPS) classe le nucléaire et l'énergie parmi douze secteurs prioritaires nationaux et ouvre une voie de financement aux startups privées. Le Deep Tech TIPS, plus structurellement intéressant, inverse la séquence : les fonds capital-risque spécialisés et les accélérateurs identifient et financent en premier sur leurs propres jugement et capital, le gouvernement ne complète qu'ensuite jusqu'à 1,5 Md KRW (≈ 1 M USD) en subvention R&D. Trois startups IA-nucléaires en témoignent : DAI (test non-destructif sur tubes générateurs de vapeur, soutenue par Bluepoint Partners, en POC avec Framatome), Karma (robotique IA pour monitoring/maintenance, modèle Robot as a Service, adossée à Invention Lab) et Rx Inc (outils IA de licensing SMR, spin-off KAERI). Le pattern commun selon Lim : « elles n'ont pas été créées par mandat du gouvernement. Elles ont été trouvées et financées par des investisseurs privés. »

Champain élargit la lecture des opportunités. Beaucoup ne sont pas « purement nucléaires » : « typiquement, nous investissons dans la cyber-sécurité — une entreprise qui fait 5 à 10 % en nucléaire et 90 % dans l'industrie générale ». Pour ces dual technologies, le nucléaire est un marché secondaire qui en justifie l'intérêt sans en saturer l'activité. Le deuxième angle concerne le capital patient : les cycles longs de la filière (la fusion vise des horizons commerciaux à plusieurs décennies) exigent des investisseurs qui acceptent ces durées — courant familial américain (Champain mentionne la famille de Mark Zuckerberg via un véhicule dédié au long-terme) et véhicules corporate à participation majoritaire mais autonomie opérationnelle préservée (EDF Pulse, Framatome Strategies sous A. Mathieu). Le troisième angle est doctrinal : la direction du marché va vers une standardisation accrue (efforts de normalisation des SMR, mise en commun des données et des codes), et plus la technologie devient standard, plus il est facile pour les entrants d'utiliser ces standards et de proposer leurs solutions. La barrière d'entrée s'est moralement relevée pour les acteurs frivoles, ce qui légitime l'attention des investisseurs sérieux.

Spin-off de KAERI en 2023, deux tours de table successifs, plus de 10 Md KRW levés, siège à Daejeon (choix justifié par la disponibilité d'ingénieurs IA). Membres fondateurs ex-KAERI avec expertise documentée sur les filières WIZEN-3, 4Way, SMART et iSMR ; conseils de développement IA fournis par d'anciens ingénieurs Meta et Amazon. L'argument central est frontal : « un LLM généraliste ne peut pas être adéquat pour ce type d'industrie nucléaire, parce que nous ne pouvons pas partager les données confidentielles avec OpenAI ou avec d'autres fournisseurs commerciaux d'IA. » La conséquence opérationnelle : les LLM doivent être entraînés sur des corpus propriétaires et déployés en environnement contrôlé. Rx Inc co-développe avec KAERI et KAIST une plateforme de licensing à agents IA — KAERI fournit la base de design pour les données non commercialisées, KAIST contribue à l'évaluation des modèles. Beta-version annoncée pour septembre 2026, livrée on-premise sur les serveurs de KAERI plutôt qu'en SaaS, choix justifié par la confidentialité des données traitées. Lee conclut par un appel à la mutualisation : sans accès aux données techniques détenues par les institutions publiques (gouvernement, instituts, universités), les startups ne peuvent pas construire des modèles spécialisés crédibles. La trajectoire de Rx Inc, spin-off direct avec accès aux données KAERI, est l'exception ; Lee plaide pour qu'elle devienne le pattern.

Le contexte — l'IA dans le nucléaire prolifère, le cadre réglementaire doit donner une vue claire

Chung pose le contexte en deux temps. Première observation : les applications IA dans le nucléaire prolifèrent — maintenance, analyse de calculs, prédiction, analyse diagnostique, aide à la décision. Cette dynamique est désormais établie, et la valeur apportée à l'industrie est démontrée. Seconde observation : pour que l'IA soit utilisée de manière sûre et pratique, il faut fournir aux exploitants une vue réglementaire claire sur ces applications. KINS opère ainsi sur deux échelles temporelles : « nous menons une préparation réglementaire pour l'IA, dans une perspective de long terme ». La présentation détaille la pensée actuelle de l'institution, en particulier sur le volet pratique applicatif.

Le point d'appui — le rapport conjoint CNSC–ONR–NRC de septembre 2024

Le point de départ doctrinal est un document de référence international. Le rapport conjoint CNSC (Canada) – ONR (Royaume-Uni) – US NRC (États-Unis) intitulé « Considerations for Developing Artificial Intelligence Systems in Nuclear Applications », publié en septembre 2024 (référence NRC ML24241A252), articule deux questions clés autour desquelles doit se construire la lecture réglementaire d'une application IA donnée. La première : la signification de la défaillance de l'IA — faible vs. forte conséquence sur la sûreté ou la sécurité. La seconde : l'ampleur de l'autonomie de l'IA — Insight/Collaboration vs. Operation/Full Autonomy. Le croisement définit un quadrant à quatre cellules. Chung qualifie ce cadrage de point d'appui — utile pour identifier les zones les plus exposées — mais en propose une variante plus opérationnelle pour la discussion réglementaire et l'accompagnement applicatif.

Distinction structurante — automatisation et autonomie

Avant d'aborder les deux interventions, une distinction conceptuelle s'impose pour la lecture des cadres réglementaires : celle entre automatisation (automation) et autonomie (autonomy). Cette opposition est centrale dans le débat sûreté : elle ne concerne pas quoi le système IA décide (axe couvert par la matrice Advisor/Executor de KINS), mais comment il décide. Elle est orthogonale à la classification fonctionnelle et conditionne la nature même de la démonstration de sûreté qui peut être exigée. Elle explique pourquoi le cadre réglementaire actuel — pensé pour des automates — peut absorber sans difficulté certains usages d'IA mais bute sur d'autres.

La proposition KINS — quatre catégories sur deux axes opérationnels

La classification proposée par KINS reprend la structure 2×2 mais déplace les axes vers des grandeurs plus directement actionnables par un exploitant et son régulateur. L'axe horizontal devient l'autorité décisionnelle de l'application IA — de gauche, où l'IA intervient à titre d'éclairage (Advisor — produit l'analyse, la prédiction, l'examen ; le jugement final et la responsabilité restent humains), à droite, où l'IA intervient à titre contributif (Executor — prend des décisions ou agit par elle-même, possiblement avec un temps limité pour l'intervention humaine). L'axe vertical devient la signification sûreté du SSC ou de l'activité — de bas, Non Safety-Related (l'IA ne porte pas de fonction de base de garantie ni de rôle direct de sûreté), à haut, Safety-Related (l'IA peut être connectée à des activités liées à la sûreté). Le croisement définit quatre catégories : Catégorie 1 (Non SR · Advisor), Catégorie 2 (Non SR · Executor), Catégorie 3 (SR · Advisor) et Catégorie 4 (SR · Executor).

La catégorie 4 — frontière du cadre réglementaire actuel

Chung qualifie la catégorie 4 d'« area la plus challengeante du cadre ». Elle combine la signification sûreté avec l'autorité exécutive — l'IA influence directement les fonctions liées à la sûreté, souvent avec un temps réduit pour l'intervention humaine. « C'est pour cette raison que nous considérons la catégorie 4 comme la frontière de la régulation actuelle », indique-t-il. Sous le cadre existant, l'attente réglementaire pour les logiciels liés à la sûreté repose sur quatre piliers que Chung énumère : V&V déterministe, logique traçable, comportement prédictible, assurance qualité sur le cycle de vie. L'IA avancée défie ces attentes par quatre voies : black-box behavior, dépendance aux données, dérive de modèle (model drift), et incertitude sur les conditions rares. La catégorie 4 requiert dès lors, selon Chung, un développement réglementaire à long terme spécifique à l'IA — portant sur V&V adaptée, fiabilité, explicabilité, cybersécurité, supervision, défense en profondeur.

Approche réglementaire pour les catégories 1, 2 et 3 — démontrer la distance par rapport à la frontière

Pour les catégories 1, 2 et 3, KINS propose une approche d'absorption par le cadre existant, conditionnée à une démonstration centrale : l'absence d'impact défavorable sur la sûreté en cas de défaillance de l'IA (Fail-Safe Principle). Cette démonstration s'articule à une seconde exigence, structurelle : démontrer la distance par rapport à la catégorie 4, par limitation de l'autorité IA et / ou de la signification sûreté.

Deux mouvements concrets sont identifiés. Aller à gauche sur l'axe X — Limited AI Authority : l'IA n'a pas d'autorité de contrôle directe ; les sorties demeurent à titre d'éclairage ; le jugement humain, l'approbation, la responsabilité et les procédures existantes sont préservés. Aller en bas sur l'axe Y — Limited Safety Significance : l'IA n'a pas de fonction de sûreté créditée, pas d'interface de contrôle SSC liée à la sûreté, pas de rôle dans les hypothèses de l'analyse de sûreté. La distance de Cat 4 varie selon la position. La catégorie 1 dispose d'une marge maximale — qui justifie une explication simplifiée de l'impact sûreté. Les catégories 2 et 3 disposent d'une marge partielle — qui exige une explication focalisée sur la dimension de risque restante (autorité exécutive pour Cat 2, signification sûreté pour Cat 3).

Direction de travail — court terme et long terme

Chung clôt sur une direction de travail bidimensionnelle. À court terme, KINS développe une approche pratique pour les applications IA n'affectant pas directement la sûreté nucléaire (catégories 1–3) ; clarifie les attentes réglementaires pour l'usage à titre d'éclairage, le périmètre non-safety-related, l'isolation sûreté, et les conséquences secondaires bornées ; et adresse les enjeux transverses applicables à toute catégorie — cybersécurité, intégrité des données, gestion du cycle de vie des modèles, supervision humaine. À long terme, KINS prépare l'IA avancée connectée à des décisions ou fonctions de sûreté au-delà des critères d'acceptation actuels : V&V adaptée à l'IA, explicabilité, fiabilité, cybersécurité, gouvernance des données, diversité, défaillance de cause commune.

Le paysage IA — où l'IA se manifeste déjà dans l'écosystème nucléaire américain

Dennis ouvre par une cartographie concrète de cinq cas d'usage IA déjà identifiés dans le secteur nucléaire américain. Corrective Action Program : il y a cinq ans, l'application de l'IA à ce programme suscitait des inquiétudes significatives — notamment sur la perte de capacité ou de précision. Aujourd'hui, après des années d'exposition, l'application est devenue « presque banale », les opérateurs l'utilisent et apprécient la valeur qu'elle apporte (cf. la solution CAP de Nuclearn). Robotique : des robots inspecteurs (type Spot de Boston Dynamics) sont employés pour des inspections en environnement radiologique chez Duke Energy à la centrale d'Oconee. Generative AI : « Microsoft Targets Nuclear to Power AI Operations » — Dennis cite l'article du Wall Street Journal qui rapporte la stratégie de Microsoft pour utiliser l'énergie nucléaire et accélérer le processus de qualification réglementaire par l'IA (en partenariat avec Terra Praxis pour le repurposing de centrales charbon). Operational Flexibility : BlueWave AI exploite des séries temporelles d'instrumentation nucléaire et de limites thermiques en ligne pour identifier des dérives de capteurs en conditions hors-normales — outil intégré au Corrective Action Program. Le DOE titre que ces outils « pourraient économiser des millions à la flotte Constellation » — déploiement testé chez Peach Bottom et Limerick (Constellation Energy). Non-Destructive Examinations : FlawML de Trueflaw, solution d'analyse automatique des données NDT par apprentissage machine, intègre vitesse et reproductibilité de l'automatisation à la performance d'inspection humaine — reconnaissance de défauts, évaluation de la qualité des données, reporting personnalisé.

Pourquoi maintenant — une convergence de pressions

Dennis explique le calendrier. Le NRC a publié sa stratégie IA externe en 2023 (NUREG-2261, dont Dennis est co-auteur) — initialement orientée fonction réglementaire (accueil des candidatures intégrant l'IA). Mais le contexte a évolué : convergence des projets de réacteurs avancés (les vendors développent activement leurs candidatures), pression de l'administration américaine (executive orders du président, actions du Congrès, ADVANCE Act de juillet 2024) pour accélérer le déploiement nucléaire afin de fournir l'énergie nécessaire à l'IA, et — point décisif — plan stratégique interne pour l'IA générative arrivé en 2026 (ML25269A196, septembre 2025, en application de l'Executive Order 14179 « Removing Barriers To American Leadership In AI »). Le NRC opère désormais sur deux fronts simultanés : fonction réglementaire externe et utilisation interne (productivité des équipes via SimplifAI).

Vision et objectifs — fostering innovation while ensuring safety

La vision NRC est explicite : « Enable responsible AI integration in regulated activities, fostering innovation while ensuring safety and security. Leverage AI insights to enhance regulation, streamline operations, and elevate decision-making. » Deux objectifs structurent la stratégie. Objectif interne : utiliser l'IA pour soutenir la mission de l'agence, en se concentrant sur la productivité accrue et l'efficacité augmentée. Objectif externe : garantir que le cadre réglementaire NRC permette de manière effective l'utilisation sûre et sécurisée de l'IA dans les activités régulées (cf. page IA officielle du NRC et volet externe).

Focus areas — situer les priorités IA dans le cycle de licensing fédéral

Dennis présente une carte des focus areas qui place les priorités IA du NRC dans le cycle de licensing fédéral, structuré par les codes 10 CFR 50, 52 et 53 (Part 53 = cadre risk-informed, technology-inclusive finalisé le 25 mars 2026 pour les réacteurs avancés). Au centre de la carte : la réglementation codifiée. Autour gravitent les étapes du cycle : Pre-Application Interactions, Conceptual Design, Final Safety Analysis Report, Design Certification, Operating / Combined License, Regulatory Review / Inspections / Tests, et les Inspections, Tests, Analyses, and Acceptance Criteria (ITAAC). Les priorités IA réglementaires identifiées par le NRC sont marquées explicitement comme telles : les Topical Reports, les Regulatory Guides de l'Office of Nuclear Regulatory Research, les standards externes, et le NRC Standard Review Plan (NUREG-0800), notamment la section 14.3.5 sur Instrumentation et Contrôles. La feuille de route opérationnelle est consignée dans l'AI Project Plan FY 2023-2027 (Rev. 1, ML24194A116). Les exemples cibles : opération autonome, monitoring en ligne, méthodes computationnelles alternatives.

SimplifAI — l'outil interne d'IA générative pour les équipes NRC

L'outil interne s'appelle SimplifAI. C'est un outil d'IA générative spécifiquement développé par et pour les équipes NRC (déployé par TekSynap sur la base de la plateforme MegaTRON, brique conversationnelle adossée à Azure Cognitive Search). Sa caractéristique principale est l'existence de SimplifAI Companions — des configurations dédiées par fonction métier : project managers, technical reviewers, ainsi que des compagnons spécialisés en Licensing, Inspections, Legal, Research, Governance, Administrative et Code Development. L'architecture combine documents soigneusement sélectionnés et prompts prédéfinis pour assurer des sorties traçables et reproductibles. Le déploiement s'appuie sur Azure OpenAI, adapté au contexte réglementaire. Le cas d'usage de référence présenté est l'AI for Power Uprate Reviews (ML25273A289, en lien avec la procédure des power uprates NRC) : l'outil pilote le processus de revue, génère des évaluations de sûreté, et toutes les sorties sont vérifiées par revue humaine après-coup pour s'assurer du respect des métriques NRC. Le principe est résumé par Dennis comme « supporting, not replacing, professional judgment ».

Analyse des biais — recognition que la réglementation NRC est human-centric

Une activité d'inauguration du plan stratégique 2023 a porté sur l'analyse des biais du cadre réglementaire face à l'IA. Le constat partagé par les équipes : la réglementation NRC est très human-centric. « Nous licencions des opérateurs humains. Nous avons des humains qui vérifient les choses. » La réglementation est limitée à une éthique humaine — ce qui peut être une force ou une fragilité selon le degré d'autonomie ciblé. L'identification du biais oriente directement les zones où une guidance réglementaire spécifique à l'IA sera nécessaire à terme — au premier rang : les special computations et les applications informatiques critiques.

Analyse de huit lacunes — le rapport SwRI commandé par l'Office of Nuclear Regulatory Research

Le NRC a commandé une analyse externe de son cadre réglementaire à Southwest Research Institute (SwRI). Le rapport « Regulatory Framework Gap Assessment for the Use of Artificial Intelligence in Nuclear Applications » (ML24290A059, octobre 2024) est rédigé par O. Pensado, P. LaPlante, M. Hartnett et K. Holladay (SwRI San Antonio, Texas). Les Project Managers NRC sont M. Dennis et S. Haq (Office of Nuclear Regulatory Research). Le rapport — qui a examiné les régulations NRC et plus de 500 Regulatory Guides à travers tous les domaines de programme — identifie huit catégories de lacunes potentielles dans le cadre actuel, recommande de développer des guides généraux adressant les enjeux transverses associés, et constate explicitement que les standards IA des sociétés professionnelles existantes ne couvrent pas les lacunes identifiées (analyse vulgarisée également par Nuclear Engineering International — « Mind the AI gaps »).

Mock AI Tabletop Exercise — apprendre par la simulation conjointe Argonne–Sandia

Un projet structurant complète l'analyse de lacunes : un exercice de table-top conjoint avec deux laboratoires nationaux. Argonne National Laboratory joue le rôle d'applicant et apporte son outil IA — PRO-AID (Parameter-Free Reasoning Operator for Automated Identification and Diagnosis), framework de diagnostic physics-informed couplé à un jumeau numérique et un large language model — appliqué à la boucle de test METL (Mechanisms Engineering Test Loop, installation Argonne située à Lemont, Illinois). Sandia National Laboratories joue le rôle de regulator et conduit une évaluation de sûreté indépendante via le framework AI T&E (Test & Evaluation). L'objectif global est la recherche et le développement d'un cadre exhaustif d'évaluation sûreté/sécurité pour l'utilisation de l'IA dans les activités régulées par le NRC (cf. l'annonce Argonne de février 2026 sur la trajectoire IA appliquée au licensing). Achèvement anticipé : printemps 2026 — Dennis annonce qu'il a révisé le rapport final dans l'avion qui l'a amené à Jeju, et que la publication est attendue pour l'hiver dans la lettre de recherche du NRC. La méthodologie n'est pas radicalement nouvelle par rapport à la littérature existante, mais l'angle régulatoire et la définition des conditions de fonctionnement satisfaisant sont distinctifs. Le framework produit sera distribué aux bureaux de programme et reviewers techniques NRC.

Trilatéral Phase 2 — révision du quadrant CNSC–ONR–NRC

Dennis confirme que ONR (UK), USNRC et CNSC travaillent sur la phase 2 du rapport trilatéral (phase 1, ML24241A252, septembre 2024 — Dennis figure parmi les co-auteurs du rapport). La révision portera sur le diagramme multicolore du quadrant 2×2 — emphase sur les lignes qui subdivisent chacune des quatre cellules, et tentative de déterminer ce qui empêcherait de glisser d'un quadrant à un autre. Cet effort entre en résonance directe avec la classification proposée par Chung en début de panel : les deux régulateurs convergent sur la nécessité de mieux caractériser la frontière du cadre actuel.

Engagement partenaires — workshops NRC-AI depuis 2021

Le NRC organise depuis 2021 une série régulière de workshops et symposiums NRC-AI. « Si vous googlez NRC-AI ou NRC-AI workshop, vous trouverez le workshop et le symposium », indique Dennis. Le plus récent symposium a notamment présenté la méthodologie d'analyse britannique pour l'assurance des systèmes IA — un bon exemple selon Dennis du genre de framework qui peut garantir la sûreté des systèmes IA dans le secteur nucléaire (cf. ONR — Pro-innovation approach to AI regulation, qui consolide la doctrine ONR articulant Safety Assessment Principles (SAPs), Technical Assessment Guides et sandbox réglementaire IA — premier sandbox au monde appliqué à la régulation nucléaire, conduit avec l'Environment Agency).

Conclusion — safety as the fourth star

Dennis clôt en citant le commissaire Wright du NRC : la sûreté reste la « quatrième étoile » — point fixe institutionnel. La concentration sur la sûreté est maintenue, même dans un environnement où le régulateur cherche activement les voies pour permettre l'innovation. Dennis observe un changement de posture profond dans son institution. Trois ans plus tôt, à la question « peut-on utiliser de l'IA dans une centrale nucléaire ? », presque toute l'équipe technique NRC aurait répondu non. Aujourd'hui, à travers les bureaux des matériaux, des réacteurs, de la sûreté radiologique, l'opinion a glissé. Le NRC reste prudent — c'est sa nature de régulateur — mais grâce à l'engagement avec l'IA, l'agence est désormais « plus considérée et plus accueillante envers la technologie ».

F. Sefta ouvre par la mécanique du dispositif. Le RegLab est un format de tabletop exercise qui rassemble régulateurs, exploitants, fournisseurs de technologies et organismes de soutien technique autour d'un cas d'usage hypothétique d'une technologie disruptive. La cible n'est pas le défi technologique mais le défi non-technologique que pose toute innovation à fort enjeu : incertitude réglementaire qui décourage l'investissement industriel, difficulté pour les régulateurs d'anticiper la montée en compétence et le cadre normatif requis. Le format est régi par une règle d'engagement explicite : les idées circulent, les personnes et organisations qui les portent ne sont pas attribuables à l'extérieur de la salle.

L'initiative est née comme exercice national à l'ONR sous l'impulsion de D. Smeatham, puis internationalisée via un premier pilote conduit en 2024 sous la coopération de l'EPRI, de l'IAEA-ISOP et de la Canadian Nuclear Society. Elle est désormais hébergée par la NEA en coopération étroite avec IAEA-ISOP (groupe de travail de l'AIEA sur l'Innovation in Safety Oversight Practices) et l'EPRI. Sept pays composent le projet, principalement par leurs autorités de sûreté et organismes de soutien technique : Canada (CNSC, qui pilote), États-Unis (NRC), Corée (KAERI et KINS), Espagne (CSN), Japon (NRA et JAEA), France (ASNR), Royaume-Uni (ONR avec l'Environment Agency).

D. Smeatham énonce les valeurs attendues. Réduction de l'incertitude réglementaire d'abord — l'innovateur sait, à l'issue de l'exercice, ce qui pose problème et ce qui ne pose pas problème dans la lecture des régulateurs présents, dans un environnement où l'engagement n'est pas opposable. Harmonisation internationale précoce ensuite — Smeatham parle de « bake it in » : en travaillant ensemble dès l'innovation, plusieurs nations s'alignent en amont plutôt que de devoir réconcilier des cadres divergents au moment du déploiement. Identification des risques d'innovation et capacity-building complètent le quadruple objectif : la trentaine de participants ressort avec un capital de connaissances pratiques sur l'application d'une technologie nouvelle dans un environnement de sûreté.

Quatre cycles REGLAB sur l'IA — séquence en cours

Le pilote de novembre 2024, conduit lors de la Disruptive Innovative Engineering Technology (DIET) Conference au Canada, était sponsorisé par l'EPRI. Il portait sur les aspects de gouvernance et la place de l'humain dans la génération automatisée de safety cases par large language model. Smeatham insiste sur un point conceptuel : l'expression « human-in-the-loop », importée des autres industries, est inadaptée au nucléaire. Le secteur connaît finement les facteurs humains et le comportement opérateur en salle de commande ; l'expression simplifie à l'excès une matière déjà constituée. Le rapport du pilote est référencé EPRI 3002031833 — voir la fiche EPRI et la présentation Ennuvo.

Le REGLAB #1 sous égide NEA, conduit l'année passée, a porté sur l'usage de l'IA en monitoring temps réel des données d'exploitation pour identifier les écarts de comportement des systèmes. Trois questions structurantes ont été instruites : comment justifier l'usage de l'IA dans un cas particulier, comment l'expliquer, comment garantir la qualité des données d'entraînement (data assurance). Le rapport REGLAB #1 a été publié par la NEA en avril 2026.

Le REGLAB #2 s'ouvre en marge de ce workshop, à Jeju, du mercredi au vendredi, avec une partie des participants déjà présents pour le workshop. Le sujet officiel est « AI to assist nuclear facility processes and procedures — Use of AI Agents to support equipment reliability and maintenance planning ». Smeatham souligne la posture d'exercice : « tenter quelque chose de très difficile ; si on ne peut pas le faire, identifier ce qui rapproche du faisable ». Le REGLAB #3, prévu à l'automne 2026, sera virtuel — un format expérimental qui simulera l'opération à distance de fonctions nucléaires, type robotique en environnement intermédiaire. Le REGLAB #4 reste à thématiser. Smeatham conclut sur sept principes émergents qu'il qualifie d'applicables à l'innovation en général, l'IA n'étant qu'un cas particulier : la diversité du groupe, la qualité de l'espace sécurisé, et la pertinence systématique de l'expérience des participants en sont les ressorts les plus discriminants.

A. Mercier ouvre par les spécificités de l'aval du cycle nucléaire qui conditionnent l'usage de l'IA. La phase est la plus longue du cycle de vie énergétique — l'accumulation de données s'étire sur plusieurs générations, et chaque jeu de données doit rester actionnable pour des organisations futures qui n'auront pas connu sa production. La licence sociopolitique impose une explicabilité et une traçabilité strictes, et une tolérance zéro à l'hallucination. Les sites de décommissionnement ne sont pas standardisés — laboratoires de recherche, supports de réacteurs, containments, paquets de déchets aux compositions parfois incertaines —, les données sont fragmentaires et inconsistantes, et chaque décision engage des conséquences sur le long terme. L'argument économique pour l'innovation est tendu : les budgets sont contraints, et l'objectif des outils IA reste de réduire les coûts par la réduction du temps, l'amélioration de la caractérisation et la réduction des volumes manipulés.

Deux angles structurent la vision NEA. Le premier est l'accès à la connaissance par la synthèse automatisée — gestion des bases documentaires longues, support à la production des safety cases, et à terme la possibilité pour le public d'interroger un safety case en langage naturel. Le second est la robotique appliquée aux environnements hostiles : caractérisation, tri, décontamination, optimisation des liquides utilisés. Mercier cite deux déploiements emblématiques. En Belgique, un premier dispositif combine vision artificielle et apprentissage pour identifier des objets anormaux dans les colis de déchets et déterminer leurs compositions.

La division NEA porte plusieurs chantiers. Un groupe sur le knowledge management a clos une enquête internationale qui cartographie les usages IA, les sources de financement et les cas d'usage ; la publication est prévue d'ici fin d'année. Une formation conjointe avec l'Idaho National Laboratory et Microsoft est programmée en 2027 — dans le prolongement du partenariat INL-Microsoft sur l'IA appliquée au licensing nucléaire annoncé en juillet 2025. Un groupe d'experts travaille sur l'extraction automatisée de connaissances dans les safety cases et la construction d'ontologies par natural language processing. Sur la géostatistique, un groupe a comparé la performance de modèles type ChatGPT à celle des outils statistiques standards sur les données de surveillance environnementale — rapport en préparation. Le groupe robotique, qu'A. Mercier pilote, a tenu en 2024 un workshop d'innovation incluant une session IA, dans le prolongement du papier trilatéral entre autorités évoqué l'an passé.

L'annonce de clôture porte sur le prochain workshop : « Robotics for Extreme Environments », prévu en octobre 2027 à Fukushima en coopération avec le Fukushima College of Technology. Des visites du site F1 et du Naraha Technology Center sont prévues. L'objectif est d'élargir le partage de leçons aux industries voisines (gaz, espace, défense), et d'inviter les pays partenaires non-membres comme le Cambodge à s'agréger sur les pratiques. Les abstracts sont ouverts jusqu'à la fin du mois.

Le modérateur clôt la séquence par une mention rapide de l'AIxpertise Project dont la présentation prévue n'a pu se tenir. Il s'agit d'une plateforme NEA fédérant données, benchmarks, cas de validation, codes de référence et formations destinés aux États membres ; le déploiement opérationnel est annoncé dans les prochains mois. Avec le RegLab, AIxpertise constitue le second pilier opérationnel du programme de travail NEA évoqué par D. Cameron en ouverture du workshop, en complément du Focus Group on AI (FGAI) et du AI Playbook for Nuclear Energy à horizon 2027–2028.

Plana ouvre par une formule qu'il a déjà posée la veille en plénière : « rien n'est automatique, rien n'est magique ». Le déploiement d'un système de maintenance prédictive suppose une séquence d'étapes ordonnées qu'il faut conduire dans l'ordre, sans en sauter aucune : (1) instrumentation par capteurs adaptés à l'équipement, (2) calibration des capteurs sur l'équipement réel, (3) phase d'exploration pour identifier les anomalies et leurs signatures (gabarits caractéristiques), (4) entraînement des modèles sur les signatures identifiées, (5) production des prédictions opérationnelles. Tant que les quatre premières étapes ne sont pas tenues, il n'y a pas de PdM : il y a des données.

Trois POC conduits chez Assystem illustrent les conditions de réussite et d'échec du passage à l'échelle. Le premier — déjà évoqué en panel précédent — exploite le NLP sur les rapports de maintenance des centrales pour identifier les actifs critiques (use case Assystem Critical Assets ID). Le second instrumente les cleaners d'écran de l'arrivée d'eau de refroidissement (équipement non classé sûreté mais sensible : un bourrage par organismes vivants force une réduction de puissance) avec accéléromètres et capteurs sans fil : la phase d'exploration a permis d'identifier les signatures de bourrage et d'anticiper la défaillance, suivant la chaîne Feature engineering → Fault model → Prognostics. Le troisième équipe une pompe d'un capteur de puissance non intrusif (Power Meter with AI on Edge) et analyse le spectre du courant : extrêmement sensible, il détecte les compensations de défauts internes avant l'apparition des signatures vibratoires classiques, et fournit en sortie un indice de dégradation et une durée de vie utile résiduelle (Remaining Useful Life). Les deux derniers POC ont scientifiquement réussi mais ne sont jamais passés à l'échelle. Le seul cas pleinement déployé : Metroscope, spin-off EDF qui surveille la fuite de la vanne d'urgence du réservoir de récupération de drainage (Drain Recovery Tank emergency valve leakage) — étanchéité critique pour le maintien de la pression et de la température du circuit. Bilan documenté : 30 GWh d'énergie évitée, 1,3 M€ de profit préservé, plus de 100 unités déployées, reconnaissance institutionnelle de l'IAEA et d'EPRI.

Le diagnostic du verrou est clair. Ce n'est pas la technologie : c'est l'organisation. Les budgets de maintenance sont annuels et n'absorbent pas l'investissement initial en infrastructure de capteurs, même quand le ROI est promis sur deux ou trois ans. L'équipe de maintenance, saturée par son rôle traditionnel, n'a ni la bande passante ni le mandat pour accompagner la transition. Le passage à l'échelle suppose donc un changement de modèle économique et de répartition des responsabilités, pas un saut technologique. Plana énonce les quatre prérequis dans l'ordre : bien sélectionner l'équipement, disposer des données, conduire la calibration et la validation des signatures, et combiner IA symbolique (règles physiques d'expertise) et IA connexionniste (analytique de données) — la combinaison étant ce qui minimise les erreurs et permet de passer de la maintenance préventive à la maintenance véritablement prédictive.

KHNP opère 26 unités nucléaires et hydroélectriques, dans une discipline opérationnelle de plus de 40 ans. Kim cadre la transition que l'opérateur conduit aujourd'hui par trois phases successives — maintenance préventive (calendaire), maintenance conditionnelle (sur signaux), maintenance prédictive (PdM, sur anticipation). KHNP mène désormais la phase 3 sur l'ensemble de la flotte. L'implémentation s'appuie sur l'instrumentation de l'équipement tournant en vibration, température et ultrasons, dont les flux temps réel alimentent un système d'information de maintenance centralisé ; les lignes de base sont établies sur 12 à 18 mois d'historique, et les modèles combinent réseaux LSTM et Random Forest pour la détection d'anomalies et la prédiction de durée de vie utile.

Sur le cas concret de Boryeong, l'IA a détecté une anomalie de fréquence d'adaptateur 21 jours avant la défaillance d'un composant interne ; l'équipe a confirmé par instruments traditionnels et remplacé en arrêt programmé, évitant un arrêt non programmé de deux semaines et environ 2,3 M$ de pertes de génération. La trajectoire de KHNP suit un calendrier explicite : 2024 fondation (200 classes d'équipement instrumentées), 2025 extension large (200+ classes), cible 2027 pour la PdM complète sur les scénarios à données prédictibles.

Kim insiste sur l'enseignement central, qu'il qualifie de plus important que la technologie elle-même : « aucune technologie ne réussit sans la confiance et l'engagement des opérateurs de terrain ». KHNP a organisé l'introduction de l'IA selon une philosophie « humain dans la boucle » et investi fortement dans l'« IA explicable » — l'ingénieur de terrain et le data scientist forment « une intelligence unique ». Trois pratiques structurent l'intégration de l'expérience des vétérans : les positionner comme enseignants par mentorat formalisé, organiser le transfert vertical du savoir, et ancrer chaque déploiement dans des cas concrets visibles. Quand l'IA et l'opérateur sont en désaccord, KHNP n'arbitre pas dans l'instant : protocole de 48 h de surveillance intensifiée, mobilisation d'outils diagnostiques complémentaires (analyse ultrasonique). La double source devient méthode, pas conflit.

Hinman élargit le champ et déplace l'argument. Le programme de maintenance d'une centrale agrège un nombre élevé d'entrées hétérogènes : textes (rapports d'opérateurs, historiques d'intervention, dossiers de réparation), ultrasons, vibration, température, débit, performance, analyse d'huile — cette dernière déployée dans le nucléaire depuis les années 1980, après son adoption par les militaires américains et l'aéronautique. Le nucléaire est arrivé tôt sur la maintenance basée sur les conditions : « l'IA n'a pas permis cette discipline ; elle la facilite ». La valeur des outils intelligents réside dans leur capacité à connecter des sources qui restent en silos.

L'argument vise le mythe du grand lac de données. Hinman défend une position contre-narrative : la plupart des problèmes diagnostiques se résolvent sans corpus historique massif. Les modèles fondés sur les règles — couplés à une compréhension fine des composants et à la lecture des signatures connues — produisent l'essentiel du résultat. Exemple emblématique des roulements : peu importe que la signature haute-fréquence indique l'extérieur, l'intérieur, la cage ou la bille — au-dessus de 3 G en accélération modulée, on remplace. Le diagnostic ne suppose pas l'identification précise du mode de défaillance, juste la reconnaissance qu'il y a défaillance. « Vous n'aurez jamais de base de données parfaite. Construisez sur les principes physiques, et la base se constituera en s'enrichissant. »

Sur le partage de données entre opérateurs, Hinman défend la pratique nucléaire : l'industrie partage déjà bien le retour d'expérience d'opération, mieux que la plupart des secteurs. Les restrictions sont essentiellement réglementaires (autorisations gouvernementales) et logicielles (propriété intellectuelle des éditeurs). Le défi qui reste est la standardisation et la contextualisation des données — direction du capteur, source, processus d'échantillonnage, conditions d'acquisition. EPRI, WANO et autres tentent depuis longtemps de produire ce travail de mise en cohérence ; l'effort progresse, mais lentement.

You aborde une dimension distincte du panel — l'introduction de l'IA dans l'analyse de sûreté, qui obéit à un régime de licensing strict. Toute corrélation utilisée dans une démonstration de sûreté doit être explicable : un modèle qui produit des nombres précis sans pouvoir justifier la forme de sa relation est inutilisable dans le cadre réglementaire. Le trade-off classique du machine learning entre interprétabilité et capacité s'oppose donc frontalement aux exigences du domaine — les arbres de décision sont explicables mais limités sur les comportements non-linéaires ; les réseaux de neurones et les modèles ensemble dominent les benchmarks mais leur logique interne reste inaccessible aux experts.

L'approche proposée renverse le compromis. Au lieu d'entraîner un modèle paramétrique, l'algorithme conduit une régression symbolique par algorithme génétique sur la plateforme open-source SymbolicRegression.jl / PySR : il explore aléatoirement l'espace des équations possibles et produit en sortie une équation explicite, pas un jeu de poids. La sortie est un objet mathématique — interprétable, directement vérifiable, continu donc analysable analytiquement, comparable aux corrélations existantes du domaine. La plateforme de base est dimensionellement aveugle (pas de conscience des unités physiques) et utilise une fonction de perte générique sans pondération métier.

L'apport méthodologique de You consiste à augmenter la plateforme de trois extensions spécifiques à la thermohydraulique nucléaire : (1) Dimensional Awareness — contraindre les équations candidates à respecter les unités physiques cibles, ce qui élimine les expressions non physiques ; (2) π-Group Injection — amorcer la recherche avec les nombres adimensionnels du domaine (Reynolds, Prandtl, Nusselt), c'est-à-dire les briques de base utilisées par les ingénieurs depuis un siècle ; (3) Region-Wise Loss — pondérer la fonction de perte par régime d'écoulement, pour ne pas pénaliser de la même manière l'erreur en régime laminaire et en régime turbulent.

La validation s'appuie sur l'équation de Dittus-Boelter — corrélation thermohydraulique en service depuis presque un siècle. En ne donnant à l'algorithme que les données de débit, sans aucune indication de forme, la régression symbolique reproduit une équation très proche de l'originale, avec ou sans application du théorème de Pi-Buckingham. Comparée à la corrélation de Gnielinski, la sortie produit une forme compacte capturant la même physique sous-jacente, sans être identique à l'expression exacte. Le processus est désigné par symbolic distillation : extraire une forme d'équation exacte à partir des données, et — quand les données sont rares — intégrer la connaissance physique a priori dans l'expression symbolique.

Le mot final de You synthétise la posture épistémique : « ce n'est pas un outil. Le résultat doit être transparent, traçable et visible. » L'IA acceptable en analyse de sûreté n'est pas l'IA qui prédit bien — c'est celle qui produit un objet justifiable devant un régulateur.

Seo ouvre par le concept directeur de KAERI : « augmentation de capacité » — pas remplacement de l'humain, mais agent qui décharge le chercheur de la rédaction, du paramétrage de simulation, du pilotage répétitif d'instrumentation. Pour rendre cela exploitable dans un institut classifié, KAERI a construit son propre modèle local AtomicGPT à partir de l'EXAONE de LG fine-tuné sur 78 000 pages de documents nucléaires internes ; le service tourne sur réseau interne, le serveur ne sort jamais. Le ratio de productivité est documenté oralement à plus de 5 000 requêtes par mois. Deux briques applicatives encadrent le LLM : DocSeek pour la question-réponse documentaire, la traduction et la comparaison entre documents, et AtomFlow pour assembler des flux de travail personnalisés débouchant sur de la génération automatique de rapport en une quinzaine de minutes.

Au-delà de l'agent conversationnel, Seo formalise la trajectoire en quatre paliers — chacun gagne en autonomie sur le précédent. Palier 1 (LLM) : génération de texte sans état. Palier 2 (RAG, baptisé Padongyi Bot) : récupération dynamique de documents pour ancrer la réponse dans la base de connaissance interne. Palier 3 (Padongyi Agent) : l'IA mémorise le contexte de session et appelle des outils externes (calculateurs, codes scientifiques, recherche Web). Palier 4 (Agentic AIOS, operating system agentique) : plusieurs agents spécialisés collaborent — un agent de tâche, un agent d'apprentissage, des sous-agents — pour mener un travail de bout en bout. La démonstration sur la rédaction de brevet est saisissante : l'équipe d'agents prend une idée naturelle du chercheur, élabore les revendications, les modifications, les contributions techniques, débat entre agents, soumet à un agent directeur, et restitue un brouillon prêt à révision humaine. Le style de débat (séquentiel un-à-un, parallèle, contradictoire) modifie sensiblement la qualité de sortie : même ensemble d'agents, configurations différentes, résultats différents.

Trois autres cas d'usage illustrent l'élargissement du périmètre. Modélisation 3D conversationnelle : au lieu de cliquer dans un CAO, le chercheur dicte la géométrie (un drone, un petit modulaire, un tube de générateur de vapeur), la photographie d'une référence visuelle, et l'agent ajuste la maquette jusqu'à correspondance. Configuration de simulation de réacteur : l'agent paramètre les propriétés matériaux, les zones d'effet, les transitoires, à partir d'instructions en langage naturel — temps de préparation de simulation drastiquement réduit. Pilotage de simulateur sous tutelle : l'agent exécute des séquences en suivant les procédures opératoires ; à chaque action engageante, il demande l'approbation humaine et n'agit qu'après validation. Si l'opérateur refuse, il s'arrête. La logique d'autorité reste asymétrique : l'agent propose, l'humain dispose.

Conclusion de Seo : l'IA agentique permet de réduire le coût et le délai sur l'ensemble du cycle nucléaire — design, déploiement, opération, maintenance — mais à condition d'admettre la nature collaborative du dispositif. « Nous ne déployons pas un seul agent, nous déployons une équipe d'agents » : c'est la culture de l'équipe et la qualité de sa coordination qui produit la performance, pas l'agent isolé. Le sujet d'ingénierie devient la conception du collectif humain–agents, pas la performance brute d'un modèle.

Prinja ouvre par un constat retors, dans une présentation co-construite avec Gary Bernstein-Atwood (Jacobs). « Dans les archives d'une compagnie pour laquelle j'ai travaillé, qui a conçu des réacteurs au gaz, on a calculé que 98 % des données accumulées ne sont jamais utilisées. On les met de côté. » Or pour l'IA, la donnée est de l'argent — encore faut-il pouvoir la retrouver. Le second constat est structurel : la durée d'un programme nucléaire dépasse cent ans (recherche, conception, licensing, construction, quarante à cinquante ans d'exploitation, démantèlement), aucun ingénieur ne vit le projet en entier, et la transmission doit donc franchir trois à quatre générations professionnelles. Le décompte de Prinja prend la forme d'un produit cartésien : 5 niveaux organisationnels (individu, équipe, organisation, national, international) × 3 vecteurs de connaissance (gens, processus, outils) × 4 phases du cycle de vie = 60 emplacements où la connaissance nucléaire doit subsister sur un siècle. Aucun système statique de papiers ne peut tenir cette charge.

Le creux générationnel est la conséquence opérationnelle. Prinja montre une pyramide d'âge typique du secteur — anonymisée à la demande de l'entreprise — où une génération entière d'ingénieurs nucléaires manque, conséquence d'une vingtaine d'années sans investissement industriel. Le retour soudain des programmes (SMR, exigences climatiques, sécurité énergétique) appelle un transfert dont la cible est qualifiée par l'acronyme britannique SQEP (Suitable, Qualified and Experienced Person) — ni un opérateur, ni un agent IA générique, mais une personne compétente, qualifiée et expérimentée. La question pour Prinja n'est pas si l'IA peut aider, mais où.

Trois couches de connaissance, dans l'ordre de difficulté. La connaissance explicite : documents, politiques, rapports — l'IA s'en occupe très bien, en particulier la recherche cognitive sur des bases multi-formats. La connaissance implicite : savoir-faire, fiches d'instruction, spécifications de poste — l'IA peut l'inférer à partir de la précédente, à condition d'effort. La connaissance tacite : l'expérience accumulée, ce qu'un opérateur sait sans pouvoir le formuler — la plus difficile à capturer mais la plus précieuse. Sur ce dernier registre, Prinja fait écho à Czeszumska du panel 1 : enregistrement d'experts, transcription, transformation en graphes de connaissances. Possible, mais coûteux.

La démonstration s'appuie sur un outil de recherche cognitive (Goldfire dans la présentation), capable d'indexer simultanément des sources internes (courriels, SharePoint, serveurs de fichiers, GED) et externes (presse industrielle, journaux techniques, normes) en formats multiples (PDF, présentations, courriers). Sur un corpus de 233 rapports Molten Salt remis par Generation IV International Forum, dont une partie nécessitait OCR, l'indexation prend 12 minutes 48 secondes. Première question soumise : « quelle est la résistance de l'Inconel à haute température ? » — l'outil retrouve le rapport ORNL TM-0326 et cite la table exacte. « Il m'aurait fallu douze semaines pour trouver ça à la main, l'IA l'a fait en douze secondes. » Deuxième question sur les échangeurs sel/gaz, troisième sur la synthèse complète des études — chaque fois, des réponses de qualité humaine, ancrées dans des sources citées.

L'intérêt va plus loin que la recherche documentaire. Le moteur extrait les arguments et l'évidence nécessaires à la construction d'un cas de sûreté ; il identifie les normes industrielles applicables, distingue ce qui est obligatoire de ce qui est interdit, et compare les versions successives d'un document quand celui-ci évolue (alertes de changement, analyse d'impact). Le travail conduit avec l'AFCEN côté français — sur les codes RCC-MRx — illustre le potentiel sur des corpus normatifs vivants. Pour Prinja, l'argument épistémique est plus large : traditionnellement, l'ingénierie est mécaniste (théorie, équations, expériences, validation). L'âge des données massives ouvre une voie complémentaire — non pas remplacer la compréhension physique, mais permettre une exploitation systématique de ce que des décennies d'opération nucléaire ont déjà enregistré.

Braarud part d'une thèse précise sur la nature même de l'expertise. Au-delà du socle technique et du talent, ce qui distingue l'expert opérationnel est l'apprentissage en équipe — discussion avec d'autres experts, mentorat, coaching — et la sécurité psychologique : la capacité, dans l'équipe, de poser une proposition fragile, d'avoir tort en public, d'être contredit sans dommage de statut. Les recherches en haute fiabilité depuis les années 1980 montrent que c'est ce climat, plus que la compétence individuelle, qui distingue les équipes performantes. La conséquence est centrale pour la suite : la connaissance experte n'est pas un objet stockable, c'est une propriété d'équipe.

Le second point est psychologique. Une part importante de l'expertise opérationnelle est tacite et automatique — l'opérateur d'expérience prend en compte des facteurs qu'il ne formule pas consciemment : c'est la nuit ou le jour, donc l'ingénieur de quart sera plus long à arriver pour valider une procédure ; ce composant a déjà fait défaut dans cette configuration thermique six mois plus tôt ; cette alarme est plausiblement un faux positif compte tenu de la séquence précédente. Cette connaissance n'apparaît qu'en action — quand l'expert résout un scénario complexe en simulateur. La capturer suppose donc l'éliciter sur un simulateur, observer les conversations d'équipe, transcrire les hypothèses tacites posées dans le flux de communication.

D'où le projet H2O que Halden HTO démarrera sur fonds 2026–2027. Trois étapes : (1) ingestion de toute la documentation technique et procédurale par RAG — c'est la couche facile, comparable à ce que présente Seo ; (2) entraînement sur simulateur, observation de scénarios complexes, IA traduit la communication d'équipe et extrait les hypothèses et arbitrages tacites mobilisés par les experts en temps réel ; (3) comparaison des recommandations de l'agent aux comportements réels, identification des écarts, amélioration ciblée. L'objectif n'est pas de remplacer l'opérateur licencié, mais d'accélérer le développement de l'expertise des nouveaux entrants en leur fournissant un référent sur lequel s'entraîner — et au passage, conserver la trace du jugement des experts sortants.

Un test pilote a déjà été conduit : un grand modèle de langage couplé au simulateur, avec récupération RAG sur la documentation technique, sur un scénario simple, devant des opérateurs licenciés professionnels. Le retour est « étonnamment positif », en particulier sur deux usages cibles : les tâches administratives (consigner, rédiger, retrouver une référence) et la supervision multi-tranches — un opérateur peut focaliser son attention sur l'unité critique pendant qu'un agent surveille les autres et appelle s'il identifie un écart. Sceptiques, en revanche, sur l'opération autonome — préoccupations sur l'intégration au flux de travail de salle de contrôle, sur la conception du système d'alarme, sur la stratégie de validation. Braarud insiste sur la nécessité, pour ce déploiement, d'un concept d'opérations explicite et d'une validation simulateur similaire à celle des modernisations de salle de contrôle. Sans cela, on ajoute une charge cognitive au lieu d'en retirer.

Dernier point : l'agent isolé n'est pas la cible. Dans une salle de contrôle réelle, le scénario complexe se résout par échange entre opérateurs aux informations différentes, sous l'arbitrage d'un superviseur. « Penser l'agent comme une équipe » : plusieurs agents spécialisés interagissent comme une équipe humaine, avec un humain superviseur. La recherche à venir portera sur la manière dont un agent peut interpréter l'humain — pas seulement le processus, mais l'intention, la charge, l'expression émotive. C'est précisément la zone d'incertitude où psychologie cognitive et apprentissage automatique doivent se rejoindre.

Ahn pose une distinction qui structure tout son propos : « un agent conversationnel donne des réponses ; un mentor préserve le jugement ». Quand un expert sénior part en retraite, ce n'est pas un corpus de documents qui se perd, c'est le rythme derrière les exceptions, les arbitrages, les choix de timing — la connaissance la plus difficile à capturer, mais la plus précieuse pour le métier. Un mentor d'IA nucléaire doit donc faire quatre choses au-delà de répondre : montrer le chemin de raisonnement, admettre l'incertitude, signaler les risques significatifs de sûreté, et amplifier l'expert humain plutôt que se substituer à son autorité. La position de cadrage est inverse de l'agent autonome — l'IA peut automatiser le jugement opérationnel, jamais l'autorité de la décision.

Le pipeline technique se décompose en cinq couches : (1) capture du jugement expert (entretiens, traces simulateur, analyse de communication d'équipe — c'est le terrain de Braarud) ; (2) structuration de la connaissance par graphes ; (3) récupération sémantique au moment de la requête ; (4) génération avec un LLM local explicable ; (5) couche de gouvernance avec audit, traçabilité et révision humaine. Le point central est que déposer un document dans un LLM ne suffit pas : il faut préserver l'équivalence sémantique entre source et réponse, la traçabilité de l'inférence, l'intégrité mathématique des grandeurs reproduites — donc la connaissance comme objet contrôlé, pas comme texte régurgité.

La cartographie des risques est plus précise que ce qu'on lit habituellement. Au-delà des hallucinations, Ahn énumère quatre niveaux d'attaque : au niveau de l'entrée, l'injection de prompts (un opérateur, ou un acteur malveillant, peut formuler une question qui détourne le système) ; au niveau de la sortie, la fuite de données et l'hallucination factuelle ; au niveau du modèle et de l'entraînement, l'empoisonnement des données (manipulation du corpus pour orienter les réponses) ; au niveau du système, l'extraction du modèle et l'extraction des connaissances internalisées. Ce dernier niveau est spécifiquement nucléaire : si un mentor IA contient la connaissance d'experts seniors, le modèle entraîné devient lui-même un actif de connaissance protégé. Un mentor IA n'est digne de confiance que dans la mesure où sa surface d'attaque est connue, modélisée et défendue.

L'architecture de confiance s'articule en trois couches superposées et trois choix d'implémentation. Couche connaissance : documents validés, sources signées, graphes de connaissances vérifiés. Couche modèle : adaptateurs LLM locaux, prompts différenciés selon le rôle de l'utilisateur. Couche gouvernance : journaux d'audit, traçage des inférences, équipes adverses (red teams) testant régulièrement les attaques, révision humaine sur les sorties critiques. Côté implémentation : LLM en local pour ne pas exposer les données sensibles, apprentissage fédéré pour permettre l'entraînement sans centralisation, architecture modulaire pour éviter qu'un seul modèle devienne un point de défaillance unique. « La confiance est une propriété systémique, pas une propriété du modèle ».

Conclusion d'Ahn, qui sert de mot final au panel : la vraie question n'est pas « est-ce qu'un LLM peut répondre à des questions nucléaires ? », mais « est-ce qu'un mentor IA peut tenir le rôle d'un expert sécuritaire et persuasif pour le travail de connaissance nucléaire ? ». L'écart entre les deux questions est la différence entre une démonstration et une architecture. « L'IA doit porter la connaissance, mais l'humain doit porter la responsabilité. »