Des trains automatisés, une maintenance capable d’anticiper les pannes, des annonces adaptées aux voyageurs et des paiements par reconnaissance faciale : l’intelligence artificielle transforme déjà de nombreux aspects du ferroviaire. Les expérimentations et les déploiements progressent dans le monde, mais à des rythmes différents, entre promesses de gains économiques, contraintes réglementaires et questions d’acceptabilité.
Le rail reste une activité fortement capitalistique. La construction et la modernisation des voies, l’achat des trains, leur maintenance et la gestion quotidienne des circulations représentent des dépenses importantes pour les opérateurs. La hausse du nombre de voyageurs ne suffit pas toujours à alléger cette pression sur les coûts. Dans ce contexte, les outils numériques et l’intelligence artificielle apparaissent comme des leviers pour améliorer l’efficacité des réseaux et la qualité du service.
Leurs applications dépassent largement l’image spectaculaire du train sans conducteur. Elles concernent aussi la détection précoce des défaillances, l’optimisation de la conduite, l’accompagnement des voyageurs dans les gares et la fluidification de l’accès aux transports. Selon une estimation du cabinet BCG rapportée par l’AFP, l’IA pourrait permettre au secteur ferroviaire mondial de réduire ses coûts de 36 à 79 milliards de dollars.
Automatiser la conduite et renforcer la sécurité des circulations
Les véhicules ferroviaires autonomes constituent l’une des applications les plus visibles de cette mutation. Présentée au salon InnoTrans à Berlin, une rame expérimentale de la Deutsche Bahn, baptisée Automated Train, est conçue pour circuler sans conducteur entre un dépôt et une gare. Sa vitesse maximale est de 40 km/h. Des lidars, des capteurs à ultrasons et des caméras infrarouges lui permettent de repérer les obstacles et, si nécessaire, de déclencher un freinage.
Le projet s’inscrit dans un effort plus vaste de modernisation des infrastructures allemandes. Le ministère de l’Économie a apporté 42 millions d’euros de soutien à ce programme, dans le cadre d’investissements prévus pour renouveler le réseau. L’automatisation vise notamment à rendre certaines opérations plus fluides et à réduire la charge associée aux tâches répétitives. La startup espagnole Ostirion a ainsi présenté un système utilisant l’IA pour assister les conducteurs dans leur travail.
Des réseaux expérimentent déjà des formes de pilotage automatisé
En Russie, des trains de voyageurs du Moscow Central Circle sont pilotés à distance, avec un conducteur superviseur présent à bord. Le système est conçu pour détecter un piéton jusqu’à 600 mètres et réagir en 0,3 seconde. L’exploitant envisage de développer l’autonomie sur l’ensemble de son réseau à l’horizon 2029.
Ces dispositifs ne signifient pas que la présence humaine disparaît immédiatement. Les essais et les premières mises en service s’appuient souvent sur une supervision, tandis que les systèmes de perception et de décision doivent être évalués dans des situations variées. La sécurité, la fiabilité des équipements et leur capacité à réagir aux imprévus sont déterminantes avant toute généralisation.
Les enjeux sociaux sont également importants. En Allemagne, le syndicat des conducteurs GDL suit de près les projets de trains automatisés et s’inquiète du risque que les gains d’efficacité servent à justifier des suppressions d’emplois. L’évolution technologique du ferroviaire dépend donc aussi du dialogue avec les personnels concernés et de la manière dont les nouvelles fonctions sont intégrées dans les métiers.
Anticiper les pannes grâce à la maintenance prédictive
Moins spectaculaire qu’un train autonome, la maintenance prédictive représente un champ d’application majeur. Des capteurs et des systèmes d’analyse surveillent l’état des trains et des équipements du réseau afin de repérer des anomalies avant qu’elles ne provoquent une panne ou une immobilisation. En anticipant les interventions, les opérateurs peuvent mieux planifier les opérations en atelier et réduire les interruptions de service.
Au Japon, des caméras associées à l’IA inspectent notamment certains éléments des trains et des infrastructures, comme les caténaires, sur la ligne JR East. L’analyse automatisée des images peut signaler un défaut potentiel et aider les équipes à cibler leurs contrôles. Dans un secteur où les opérations de maintenance mobilisent des ressources importantes, détecter une anomalie plus tôt peut limiter les délais et les coûts d’intervention.
En France, les applications ferroviaires de l’IA concernent notamment la maintenance et la conduite. La multiplication des capteurs embarqués apporte davantage de données sur l’état des rames et facilite le suivi de leur fonctionnement. Lorsqu’une panne survient malgré les dispositifs de prévention, des outils d’aide au diagnostic peuvent proposer plusieurs pistes de réparation en quelques secondes.
Ces recommandations peuvent s’appuyer sur l’historique de la rame, constitué sur plusieurs années, mais aussi sur les documents techniques et les comptes rendus d’interventions. Les scénarios sont classés selon leur probabilité afin d’aider les équipes à orienter leurs recherches. L’IA ne remplace pas l’expertise des techniciens : elle rassemble et organise des informations qui peuvent accélérer l’identification d’un problème.
Réduire la consommation d’énergie et améliorer la régularité
L’intelligence artificielle intervient aussi dans la conduite quotidienne des trains. Les outils d’éco-conduite transmettent aux conducteurs des indications en temps réel pour adapter leur vitesse et anticiper les pentes ou les arrêts. L’objectif est de limiter les accélérations et les freinages énergivores tout en respectant les contraintes de circulation et les horaires.
Pour les TGV de la SNCF, ce type d’assistance est associé à une baisse de consommation d’électricité estimée entre 8 et 10 %. L’enjeu est notable pour un grand opérateur ferroviaire dont les trains représentent une part importante des usages énergétiques. L’optimisation peut également contribuer à une conduite plus régulière et au confort des voyageurs, à condition que les recommandations restent compatibles avec la sécurité et les impératifs d’exploitation.
En Corée du Sud, sur le métro de Daegu, un système analyse en temps réel la conduite des agents et la compare à un référentiel de conduite jugé optimal. Il peut ensuite proposer un accompagnement individualisé. L’analyse des pratiques sert ainsi à repérer les points à améliorer et à adapter la formation, avec des effets recherchés sur la ponctualité et le confort à bord.
Adapter l’information et l’assistance aux voyageurs
La transformation numérique concerne également l’expérience en gare. Au Japon, sur le réseau Meitetsu, certaines annonces vocales sont générées par l’IA, notamment dans les gares dépourvues de personnel. Des caméras intelligentes peuvent repérer des situations où un voyageur semble avoir besoin d’aide. Un système de génération de langage peut alors fournir des indications au passager et orienter les services de secours.
Cette approche, parfois décrite comme une forme de surveillance bienveillante, illustre la double fonction de ces technologies : améliorer l’assistance tout en analysant des images prises dans des lieux publics. Son déploiement soulève donc des questions sur la collecte des données, leur conservation, les modalités de surveillance et l’information des personnes concernées.
Les outils numériques peuvent aussi rendre l’accès aux transports plus rapide. En Russie, le service Face Pay permet de payer et de franchir les contrôles d’accès du réseau moscovite grâce à la reconnaissance faciale. Il est disponible dans 240 stations et compte environ 200 000 inscrits. En Chine, l’identification faciale est utilisée depuis 2017 pour l’embarquement dans certains trains à grande vitesse et dans plusieurs réseaux de métro.
À Stockholm, des caméras couplées à l’IA ont été installées pour repérer des comportements susceptibles de signaler une situation dangereuse dans les stations. Selon l’étude du Hub Institute pour SNCF Voyageurs, ce dispositif aurait contribué à sauver 39 vies en trois ans. Ces usages mettent en évidence le potentiel de détection précoce, mais rappellent aussi la nécessité de définir précisément les finalités, les responsabilités et les limites de la surveillance.
Des niveaux de déploiement très différents selon les régions
Les applications ferroviaires de l’intelligence artificielle ne progressent pas à la même vitesse partout. Plusieurs projets asiatiques montrent des usages déjà intégrés à l’exploitation, à la maintenance ou à l’accompagnement des passagers. En Europe, de nombreuses initiatives restent au stade de l’expérimentation ou ont davantage de difficultés à passer à une exploitation à grande échelle.
Cette différence ne s’explique pas uniquement par les budgets. Les règles relatives aux données personnelles, les exigences de sécurité, les questions éthiques et les relations sociales pèsent sur le calendrier des projets. En Europe, la reconnaissance faciale est fortement encadrée par les règles de protection des données et par l’AI Act. Certains usages biométriques sont interdits ou soumis à des restrictions importantes.
Avant de transposer un dispositif développé dans un autre pays, les opérateurs doivent donc évaluer son niveau de maturité et son acceptabilité dans leur propre contexte. Le floutage des images, l’anonymisation des données et la limitation des informations collectées figurent parmi les moyens proposés pour mieux protéger la vie privée. L’enjeu consiste à déterminer quelles fonctions peuvent réellement apporter un bénéfice sans créer de risques disproportionnés.
Des investissements importants, des gains à mesurer
Le potentiel économique de l’IA attire les opérateurs alors que plusieurs pays engagent de grands programmes de renouvellement ferroviaire. En Allemagne comme en France, les besoins de modernisation concernent les voies, les équipements et les trains. Les économies susceptibles d’être réalisées grâce à la maintenance prédictive, à l’automatisation ou à l’optimisation énergétique peuvent contribuer à absorber une partie de ces dépenses, mais leur ampleur dépend des conditions de déploiement.
Les résultats doivent être évalués au-delà des seuls gains financiers. La régularité du service, le nombre de pannes évitées, la durée d’immobilisation des rames, la consommation d’énergie et la qualité de l’information aux voyageurs constituent également des indicateurs importants. Un outil performant dans un essai peut nécessiter des adaptations avant d’être utilisé sur un réseau complet, où les équipements, les flux et les contraintes varient.
En France, la SNCF indique avoir déployé 120 cas d’usage liés à l’intelligence artificielle. Les exemples les plus avancés portent notamment sur l’entretien du matériel et l’aide à la conduite. Leur développement s’appuie sur une quantité croissante de données recueillies par les trains, les équipements de voie et les outils d’exploitation, ainsi que sur l’expertise des agents qui interprètent les résultats des systèmes.
