En informatique, un vieil adage remonte aux premiers ordinateurs centraux : « Si les données d'entrée sont erronées, les résultats le seront aussi. » Autrement dit, une machine ne peut fonctionner qu'avec les données qu'on lui fournit, et si on lui donne des informations erronées, elle fournira des réponses erronées en toute confiance. Ce principe n'a jamais été aussi crucial qu'aujourd'hui, avec l'apparition de l'intelligence artificielle dans les outils de conception, d'installation et d'inspection des systèmes de protection incendie. La technologie est impressionnante, mais ce sont les données sous-jacentes qui déterminent tout.

Pourquoi la qualité des données est importante en matière de protection incendie

La protection incendie est une discipline qui repose sur la précision des détails. Un concepteur qui dimensionne un système selon la norme NFPA 13 s'appuie sur un ensemble de connaissances éprouvées face à des incendies réels, des défaillances réelles et des pertes de vies humaines. Lorsque nous sollicitons un outil d'IA pour cette tâche, nous lui demandons d'utiliser les informations sur lesquelles il a été entraîné. Si ces informations sont à jour, exactes et conformes aux normes en vigueur, l'outil peut s'avérer d'une aide précieuse. En revanche, si elles sont obsolètes, incomplètes ou issues de sources non vérifiées sur Internet, l'outil devient une source d'erreurs insidieuses et involontaires. Or, ce type d'erreur est le plus dangereux dans le domaine de la sécurité des personnes.

Que signifie la qualité des données pour l'IA dans les systèmes de sécurité des personnes ?

Considérons ce que signifie réellement la « qualité des données » dans notre contexte. Cela signifie que l'édition de la norme est importante. Un modèle entraîné sur une version obsolète de la norme NFPA 13 peut citer des règles d'espacement ou des classifications de risques qui ne sont plus applicables. Cela signifie également que la source compte. Les recommandations tirées d'un manuel d'installation du fabricant n'ont pas la même valeur qu'une discussion sur un forum, or un système d'IA incapable de faire la distinction les considérera comme également valables. Enfin, cela signifie que le contexte est essentiel. Une règle correcte pour un environnement à faible risque peut s'avérer erronée, voire dangereuse, lorsqu'elle est appliquée à un agencement de stockage pour lequel elle n'a jamais été conçue. La machine ne peut faire la différence que si les données lui ont appris.

Comment la NFPA et la NFSA développent l'IA à partir de sources faisant autorité

C’est là que l’industrie commence à innover de manière significative. La NFPA et la NFSA ont entrepris de développer des outils d’IA basés sur des sources officielles plutôt que sur le web ouvert. La NFPA décrit son assistant CASI, intégré à NFPA LiNK, comme une réponse fiable car elle s’appuie sur le contenu officiel de la NFPA et cite les passages sources utilisés (NFPA, 2026). La NFSA a suivi une voie similaire avec son outil Chat EOD pour les questions d’ingénierie et de conception. Lorsqu’un outil tire ses réponses du corpus officiel des codes et normes, la qualité des données d’entrée s’améliore considérablement et le résultat devient exploitable par un professionnel. C’est là tout l’intérêt de ces outils. C’est ce qui distingue un outil qui devine d’un outil qui raisonne à partir des mêmes documents que ceux que l’on consulte habituellement. La valeur de ces initiatives ne réside pas dans l’IA elle-même, mais dans le soin apporté à leur élaboration.

Le problème des hallucinations lorsque les données sont de mauvaise qualité

Comparez cela à ce qui se passe lorsque les données sont de mauvaise qualité. Un modèle généraliste, interrogé sur la protection incendie, produira souvent une réponse qui semble crédible et bien formulée. Il peut citer une norme nommément. Il peut utiliser le vocabulaire approprié. Et il peut se tromper de manière que seul un professionnel expérimenté décèlerait. C'est le problème de l'hallucination, et il ne s'agit pas d'un dysfonctionnement rare. C'est une conséquence prévisible du fait de demander à un système de s'exprimer au-delà de ce que ses données peuvent fournir. Le système ne ment pas. Il n'a aucune notion de vérité. Il construit une réponse plausible à partir de schémas, et lorsque ces schémas sous-jacents sont ténus ou erronés, la réponse l'est également, enrobée d'un langage fluide qui masque la lacune. La profession juridique l'a appris publiquement lorsque deux avocats ont déposé un document judiciaire basé sur des cas inventés par un outil d'IA, et ont été sanctionnés pour cela (Mata c. Avianca). Les citations fabriquées semblaient authentiques. Elles n'existaient tout simplement pas.

Responsabilité professionnelle et normes de soins

L'enjeu dépasse le simple cadre d'une curiosité technique. Dans notre domaine, une erreur ne reste pas à l'écran. Elle se traduit par un projet validé, un système installé, un bâtiment occupé. L'ingénieur responsable qui appose son sceau sur un plan en assume l'entière responsabilité professionnelle, une responsabilité qu'aucun outil d'IA ne peut partager. Même si les données alimentant l'outil étaient erronées, le professionnel reste pleinement responsable du résultat. Cette perspective donne à réfléchir et devrait influencer notre rapport à ces outils. Nous sommes responsables de nos productions, quelles qu'en soient les causes.

Bonnes pratiques d'utilisation des outils d'IA en matière de protection incendie

Alors, à quoi ressemble une bonne pratique avec l'arrivée de ces outils ? Tout d'abord, il faut savoir d'où vient la réponse. Un outil capable d'afficher ses sources, de citer la norme et de renvoyer au passage précis sur lequel il s'appuie est bien plus utile qu'un outil qui se contente d'affirmer. Ensuite, il faut procéder à une vérification. Chaque résultat d'un système d'IA doit être comparé au code source, au même titre que le travail d'un collègue junior, car c'est fondamentalement ce que vous faites. Enfin, cela repose sur le jugement, celui qui s'acquiert avec des années d'expérience, qui permet à un concepteur expérimenté de pressentir une erreur avant même de pouvoir l'expliquer. Cet instinct est irremplaçable par la machine. Il constitue notre dernier rempart lorsque les données nous font défaut.

La qualité des données détermine si l'IA protège des vies.

Rien de tout cela ne justifie de se détourner de la technologie. Les outils s'appuyant sur des sources fiables démontrent déjà l'efficacité des données rigoureuses, et ils ne cesseront de s'améliorer. Le principe est plus simple et plus ancien encore : un outil ne vaut que par la qualité des données qu'on y intègre. Dans la plupart des domaines, une réponse erronée n'est qu'un inconvénient. Dans le nôtre, elle peut mettre des vies en danger. C'est pourquoi la qualité des données n'est pas une préoccupation secondaire pour notre profession. C'est le facteur déterminant qui permettra à ces outils de protéger des vies ou, au contraire, de compromettre insidieusement les normes de soins que nous avons mis des décennies à bâtir.

Les machines continueront de s'améliorer. Notre obligation, elle, demeure inchangée. La communauté des ingénieurs en sécurité incendie a déjà clairement indiqué où concentrer ses efforts. Lors du sommet SFPE sur l'IA en ingénierie incendie auquel j'ai assisté à Berkeley en 2025, la vérification et la validation se sont imposées comme une priorité partagée par tous les professionnels présents. Les occupants des bâtiments que nous protégeons comptent sur un travail que nous avons nous-mêmes vérifié, et non sur des réponses fournies aveuglément par une machine. L'adage « données erronées en entrée, données erronées en sortie » était déjà vrai pour les opérateurs de mainframe qui ont popularisé cette expression. Il l'est tout autant aujourd'hui, et le coût de l'oublier n'a jamais été aussi élevé.

 Références

Chat EOD : Développé par l’industrie, pour l’industrie. https://nfsa.org/2025/11/06/chat-eod-developed-by-the-industry-for-the-industry/

La NFPA dévoile NFPA LiNK 3.0, faisant progresser la transformation numérique dans le domaine de la sécurité incendie et de la protection des personnes. https://www.nfpa.org/about-nfpa/press-room/news-releases/2026/nfpa-unveils-nfpa-link-3-0-advancing-digital-transformation-in-fire-and-life-safety

Leçons pratiques tirées des erreurs de l'IA avocate dans l'affaire Mata contre Avianca. https://www.acc.com/resource-library/practical-lessons-attorney-ai-missteps-mata-v-avianca

Retour sur le Sommet 2025 sur l'IA dans l'ingénierie incendie. https://www.sfpe.org/blogs/amanda-tarbet/2025/08/01/2025-ai-in-fire-engineering-summ