Stéphane Buffat (Renault) : « L’IA va nécessiter une construction rigoureuse »

À l’occasion de l’AI for Good Global Summit 2026, IT for Business a reçu Stéphane Buffat, directeur du LAB du GIE Stellantis/Renault et Expert Leader en sécurité routière chez Renault Group. Il nous explique comment l’IA peut aujourd’hui enrichir l’analyse des accidents, mieux prendre en compte le contexte de conduite et accompagner automobilistes comme gestionnaires d’infrastructures. À une condition : ne jamais lui abandonner le regard critique de l’expert.

L’AI for Good Global Summit est la principale plateforme des Nations Unies consacrée à l’intelligence artificielle. Piloté par l’Union internationale des télécommunications avec plus de cinquante agences onusiennes et le gouvernement suisse, le sommet a, la semaine dernière, confronté les promesses technologiques de l’IA à des enjeux concrets : santé, climat, éducation, infrastructures, mobilité, compétences ou encore normalisation. IT for Business y avait déplacé son plateau TV pour y rencontrer experts et témoins de cette nouvelle ère de l’IA qui ne fait que débuter.

Et c’est précisément sur le terrain de la mobilité et de la sécurité routière que travaille notre invité, Stéphane Buffat. Il dirige le LAB, laboratoire d’accidentologie, de biomécanique et d’étude du comportement humain commun à Renault Group et Stellantis. Créée en 1969 à la demande du gouvernement français, cette structure étudie les causes des accidents, les conséquences des chocs sur le corps humain et, plus récemment, le comportement des conducteurs. Stéphane Buffat est le Road Safety Expert Leader de Renault et le responsable de ce laboratoire.

Faire parler les données sans leur faire dire n’importe quoi

Dans l’accidentologie, l’intelligence artificielle ne remplace ni les essais physiques, ni les capteurs, ni les bases constituées à partir d’accidents réels. Son premier apport consiste plutôt à mieux organiser les expérimentations et exploiter des volumes de données devenus difficiles à appréhender par les méthodes conventionnelles.

« L’IA va d’abord permettre de réévaluer les plans d’analyse et d’organiser les expérimentations », explique Stéphane Buffat. Elle ne va pas, précise-t-il, « en elle-même générer des données », mais elle permet « de manipuler de grandes quantités de données, de les structurer et de rechercher des éléments d’analyse qui ont pu échapper à des analyses plus conventionnelles ».

Elle peut aussi accélérer la production documentaire. « Elle va nous aider sur la partie génération de rapports, donc sur la production des études », poursuit-il. Mais ce gain de productivité ne dispense jamais de contrôler le raisonnement suivi : « Elle va nécessiter d’avoir un regard critique sur les conclusions qu’elle peut éventuellement nous aider à prendre et sur la façon dont les analyses ont été conduites. »

Cette prudence rejoint les constats dressés lors de la matinale IT for Business consacrée à la gouvernance des données à l’heure de l’IA : un modèle ne corrige pas spontanément une donnée incomplète, biaisée ou mal qualifiée. Il risque au contraire d’en amplifier les défauts.

Des modèles spécialisés pour analyser, des LLM pour restituer

Il n’existe donc pas un modèle universel capable de couvrir toute la chaîne de l’accidentologie. Le choix dépend de la mission envisagée.

« Si on aborde des données très spécialisées avec un plan d’expérience particulier, on va plutôt se concentrer sur des modèles dédiés », souligne Stéphane Buffat. Pour transformer ensuite les résultats en documents lisibles, « les LLM ont tout leur intérêt puisqu’ils vont pouvoir générer des textes qui sont tout de suite compréhensibles par ceux qui vont les lire ».

L’entretien rappelle ainsi une distinction souvent oubliée : les modèles spécialisés peuvent être plus pertinents pour analyser un phénomène physique ou statistique précisément délimité, tandis que les grands modèles de langage excellent surtout dans l’organisation et la restitution des connaissances.

Ne surtout pas laisser l’IA remplir les trous

L’analyse du comportement humain constitue un exercice autrement plus délicat. Un accident peut résulter d’une combinaison de facteurs liés au conducteur, au véhicule, à l’infrastructure, à la météo, à la vitesse ou au contexte du déplacement.

Pour Stéphane Buffat, les analyses restent aujourd’hui principalement réalisées a posteriori, à partir de bases qu’il faut connaître en profondeur. « Il faut savoir les manipuler, car il y a de nombreuses raisons de voir qu’il y a des biais ou des manques dans ces données. »

Or certains modèles ont précisément tendance à masquer cette incertitude. « La difficulté avec certains modèles d’IA, c’est qu’ils auront tendance à remplir des trous alors que, normalement, on doit en tenir compte », avertit-il. L’IA peut proposer « des explications, des aides ou des chemins pour comprendre », mais elle ne doit pas transformer une absence d’information en certitude artificielle.

La prédiction impose une discipline encore plus forte. « Si on veut se positionner pour faire de la prédiction, pour comprendre quels vont être les problèmes de demain, l’IA va pouvoir nous aider, mais elle va nécessiter une construction rigoureuse et comprendre exactement vers où on veut aller. »

L’une des pistes les plus prometteuses consiste à élargir le nombre de variables prises en compte : « Toute compréhension d’une situation va pouvoir être enrichie avec l’abord du contexte : contexte de conduite, contexte d’environnement, infrastructure… »

Une approche qui fait écho aux travaux sur les world models et les systèmes capables de comprendre le monde physique.

De la « santé de la route » au coaching du conducteur

L’objectif n’est pas seulement d’expliquer les accidents passés. L’IA pourrait intervenir sur les différents piliers du « Safe System » évoqué par Stéphane Buffat : un conducteur sûr, une vitesse adaptée, un véhicule sûr et une infrastructure sûre.

Le premier cas d’usage concerne la « santé de la route ». Les capteurs embarqués dans les véhicules peuvent remonter des informations sur l’état de la chaussée. « Ces données vont être analysées et vont permettre aux parties prenantes qui travaillent sur l’état des routes d’améliorer l’infrastructure, éventuellement de la réparer quand les conditions de roulage ne sont pas idéales. » Selon lui, ces services « commencent à émerger ».

Deuxième terrain : l’accompagnement du conducteur. L’IA peut l’aider à repérer des comportements dangereux, mais aussi à mieux comprendre les systèmes déjà présents dans sa voiture. « Je parle des ADAS, les aides à la conduite qu’il n’aurait pas activées, qu’il n’aurait pas utilisées ou qu’il ne connaîtrait pas bien. Là, on est plutôt dans du coaching. »

Renault Group déploie déjà cette logique avec Safety Coach, Safety Score et My Safety Switch, des fonctions destinées à analyser la conduite, délivrer des conseils personnalisés et simplifier l’activation des aides à la conduite.

Reste enfin l’automatisation du véhicule. Stéphane Buffat invite ici encore à bien définir les limites du système : « On peut commencer à réfléchir sur des systèmes d’automatisation avec un niveau de délégation qu’il convient de bien préciser, et toujours garder en tête le domaine d’opération de ce niveau de délégation. »

Une manière de rappeler que l’IA physique, lorsqu’elle quitte l’écran pour percevoir et agir dans le monde réel, ne peut être évaluée avec les seuls critères d’un chatbot. Dans une voiture, une prédiction approximative n’est plus seulement une mauvaise réponse : elle peut devenir une mauvaise décision de conduite.

Alors que 3 263 personnes sont encore mortes sur les routes de France métropolitaine en 2025, l’IA ouvre de nouvelles perspectives pour mieux comprendre les accidents et agir en amont. Mais le message de Stéphane Buffat est sans ambiguïté : la technologie ne réduira durablement le risque qu’à condition d’être alimentée par des données maîtrisées, inscrite dans un contexte précisément défini et placée sous le contrôle permanent des experts.