Optimisation cognitive de la prise de décision dans les systèmes fortement automatisés : tirer ou ne pas tirer lors d’un engagement aérien (simulation)

La montée en puissance de l’intelligence artificielle dans les systèmes de combat aérien accélère la collecte et l’agrégation d’informations, mais laisse à l’humain la responsabilité finale des décisions critiques, purement cognitives, telle que la décision de « tirer / ne pas tirer ». Ce type de décision engendre une charge cognitive élevée, car l’opérateur doit intégrer, en un temps très court, des informations hétérogènes. L’objectif de cette étude est d’optimiser les performances à cette prise de décision par un entraînement reposant sur des scénarios issus de retours d’expérience, mis en oeuvre dans un dispositif agile et facilement déployable. Soixante-dix membres d’équipage, affectés en escadron de chasse et issus de l’Armée de l’Air et de l’Espace française, ont participé : un groupe expert (N = 39) et un groupe intermédiaire (N = 31). Le protocole expérimental comprend, pour les intermédiaires, un pré-test, un entraînement de quarante-cinq minutes et un post-test, tandis que pour les experts, le protocole se limite à un pré-test. Les résultats sur les performances (taux d’exactitude et temps de réponse) des experts, comparés à celles des intermédiaires, indiquent que le dispositif d’entraînement mobilise effectivement des connaissances expertes dans ce type de prise de décision. Après l’entraînement, les intermédiaires améliorent significativement leurs performances. Le transfert de cette amélioration en milieu opérationnel devra être confirmé par de futures recherches. Néanmoins, ces résultats soutiennent le développement d’entraînements aisément déployables en escadron et pouvant s’intégrer de façon complémentaire aux dispositifs de formation existants. Malgré l’intensification de l’usage des systèmes basés sur l’IA, l’humain restera dans la boucle décisionnelle. Il convient donc de continuer les efforts de formation et d’entraînement pour maintenir l’efficacité des humains « aux commandes » et comprendre comment utiliser l’IA de manière adaptée pour accompagner les décisions humaines. C’est dans cette perspective que s’inscrit la présente étude afin que les développements technologiques ne laissent pas l’humain « derrière l’avion ».

The growing integration of artificial intelligence into air-combat systems accelerates the collection and fusion of data, yet leaves humans with ultimate responsibility for purely cognitive, high-stakes decisions such as the “shoot / no-shoot” judgment. Because the operator must integrate heterogeneous information within seconds, this decision imposes a substantial cognitive load. The present study aims to improve performance on this task through a training program built from operational feedback and implemented on a lightweight, easily deployable platform. Seventy fighter-squadron aircrew members from the French Air and Space Force participated: an expert group (N = 39) and an intermediate group (N = 31). Intermediates completed a pre-test, a 45-minute training session and a post-test, whereas experts completed only the pre-test. Results on performance (accuracy and response time) show that the training material successfully engages expert knowledge; moreover, intermediates exhibited significant gains after a training session. Transfer of these gains in an operational setting remains to be demonstrated in future work. Nevertheless, the findings support the development of squadron-ready training modules that complement existing instructional tools. Even as AI usage intensifies, humans will remain in the decision loop. Thus, sustained efforts in education and training are essential to keep operators effective, while also understanding how to use AI in an appropriate way to support human decision-making, and to ensure that technological advances do not leave people “behind the aircraft.”

Aviation de combat Renforcement cognitif Prise de décision Psychologie Appliquée

Applied Psychology Combat Aviation Cognitive Reinforcement Decision-Making