Face à l’explosion du volume des données numériques, à la complexification des réseaux criminels transnationaux et à la dématérialisation croissante des preuves, les méthodes d’enquête traditionnelles ont atteint un point de saturation structurel. Une seule saisie de téléphone intelligent ou d’ordinateur portable dans le cadre d’une procédure judiciaire peut aujourd’hui représenter des centaines de gigaoctets, voire plusieurs téraoctets d’informations : millions de messages chiffrés, métadonnées de géolocalisation, transactions financières et historiques de navigation. Pour les services de police, de gendarmerie et les magistrats instructeurs, l’enjeu central n’est plus seulement d’obtenir l’information, mais de parvenir à la traiter, à la corréler et à la traduire en preuves judiciairement exploitables dans des délais compatibles avec le temps de la justice.
Dans cette course contre la montre, l’intégration de l’intelligence artificielle (IA) au cœur des technologies d’investigation constitue un saut qualitatif majeur. Loin du mythe de l’algorithme de substitution capable de désigner un coupable sans intervention humaine, l’IA s’impose comme un démultiplicateur de capacités d’analyse pour les enquêteurs. De la recherche forensique à l’analyse prédictive, en passant par le traitement du langage naturel et la criminalistique financière, l’IA redéfinit en profondeur la conduite des enquêtes criminelles, tout en soulevant d’inédits défis éthiques, juridiques et méthodologiques.
L’analyse massive de données et la criminalistique numérique (Digital Forensics)
Le premier champ d’application de l’intelligence artificielle dans les enquêtes concerne le traitement de la masse documentaire et multimédia saisie lors des perquisitions physiques ou virtuelles.
Les outils de criminalistique numérique augmentés par l’apprentissage profond (Deep Learning) permettent désormais d’automatiser le tri et l’indexation de millions de fichiers en quelques heures, une tâche qui exigeait autrefois des semaines de travail fastidieux pour des équipes entières d’analystes :
- La reconnaissance visuelle et la classification multimédia : Les algorithmes de vision par ordinateur sont capables de scanner automatiquement des volumes massifs d’images et de vidéos pour y repérer des objets spécifiques (armes à feu, véhicules, liasses de billets), des logos, des textes manuscrits ou des visages. Dans les affaires particulièrement graves liées à la pédocriminalité ou au trafic d’êtres humains, l’IA permet d’analyser les arrière-plans de photographies (mobilier, prises électriques, paysages à travers une fenêtre) pour recouper les lieux de prise de vue et identifier des réseaux criminels.
- Le traitement du langage naturel (NLP) et la transcription : Les modules de NLP permettent d’analyser en temps réel des millions d’échanges écrits ou vocaux issus de messageries interceptées. L’IA assure la transcription automatique de conversations audio dans des dizaines de langues et dialectes, extrait les entités nommées (noms de personnes, lieux, adresses, numéros de compte) et détecte le vocabulaire codé ou le jargon criminel utilisé par les trafiquants pour masquer leurs activités.
- La cartographie des relations et la théorie des graphes : En croisant les journaux d’appels, les données de géolocalisation et les listes de contacts, les algorithmes de visualisation de réseaux reconstituent instantanément la structure d’une organisation criminelle, identifiant la place exacte de chaque suspect, les nœuds de communication centraux et les intermédiaires discrets (brokers).
La criminalistique financière et la traque du blanchiment
Le volet financier des enquêtes criminelles — indispensable pour démanteler les têtes de réseaux et saisir les avoirs illicites — a particulièrement bénéficié des avancées de l’intelligence artificielle. Les schémas de blanchiment d’argent sont devenus d’une extrême sophistication, fragmentant les flux financiers à travers une cascade de sociétés écrans, de juridictions offshores et de transactions en crypto-actifs.
Les systèmes d’IA déployés au sein des Cellules de renseignement financier (CRF) et des unités de police judiciaire spécialisées s’appuient sur l’apprentissage automatique non supervisé pour détecter les anomalies comportementales au sein de milliards de transactions bancaires quotidiennes.
Plutôt que de se limiter à des règles rigides basées sur des seuils de montants — facilement déjouées par les criminels qui procèdent par fractionnement (smurfing) —, les modèles d’IA analysent les trajectoires financières globales. Ils identifient des comportements atypiques : des ouvertures soudaines de comptes suivies de virements internationaux massifs sans justification économique apparente, l’utilisation répétée de plateformes d’échange de crypto-monnaies non régulées, ou des écarts aberrants entre le chiffre d’affaires déclaré d’une entreprise et ses flux de trésorerie réels.
Sur les réseaux de blockchain, l’analyse algorithmique permet de tracer les flux de crypto-actifs malgré l’utilisation de services de mélange (mixers) ou de jetons axés sur la confidentialité, permettant aux enquêteurs de relier des portefeuilles virtuels anonymes à des identités du monde réel lors des passages vers des monnaies fiduciaires.
L’imagerie forensique, la biométrie et l’analyse de la scène de crime
Sur le terrain, la police technique et scientifique (PTS) intègre des outils d’IA pour optimiser l’exploitation des indices physiques et biologiques prélevés sur les scènes de crime.
En matière de balistique, la comparaison automatique des micro-stries laissées par le percuter et le canon d’une arme à feu sur les douilles et étuis percutés est désormais assistée par des algorithmes d’analyse d’imagerie en trois dimensions. Ces systèmes permettent de relier instantanément une munition retrouvée sur une scène de crime à une arme saisie des mois plus tard dans un autre point du territoire, ou à d’autres affaires non résolues.
L’analyse de la dactyloscopie (empreintes digitales) et de la génétique bénéficie d’une accélération similaire. Les algorithmes biométriques de dernière génération permettent d’exploiter des empreintes papillaires très altérées ou fragmentaires en reconstituant numériquement les points caractéristiques manquants. Dans le domaine de l’ADN, la phénotypage d’orientation génétique adossé à des bases de données enrichies permet désormais d’émettre des prédictions morphologiques sur la couleur des yeux, des cheveux, de la peau ou l’origine géographique d’un profil génétique inconnu, fournissant aux enquêteurs des pistes d’orientation précieuses lorsque les recherches en base de données centrale restent infructueuses.
Enfin, la modélisation 3D des scènes de crime combinée à l’intelligence artificielle permet d’effectuer des reconstitutions virtuelles d’une précision chirurgicale : trajectoires de tir, dynamique des taches de sang (bloodstain pattern analysis), visibilité des témoins en fonction de l’éclairage ambiant et séquençage chronologique des événements.
La prospective et l’analyse décisionnelle : Entre efficacité et prévention
Au-delà de la recherche de preuves a posteriori, l’intelligence artificielle s’est invitée dans le domaine de la prospective policière à travers des outils de ciblage des risques et de police guidée par les données (data-led policing).
Les logiciels d’analyse spatio-temporelle étudient l’historique des infractions commises sur un territoire donné pour identifier des modèles récurrents et générer des cartes thermiques (heatmaps) de probabilité criminelle. L’objectif affiché par les états-majors de police est d’optimiser le déploiement des patrouilles sur le terrain aux heures et aux endroits où le risque de survenue de cambriolages, de vols de véhicules ou d’agressions est statistiquement le plus élevé.
De même, dans le cadre de la lutte contre la criminalité organisée ou le terrorisme, les outils d’analyse décisionnelle assistés par l’IA aident les enquêteurs à prioriser les vérifications face à une saturation d’alertes, en évaluant le degré de criticité d’une menace à partir du croisement de signaux faibles isolés.
Les défis éthiques, juridiques et le risque de « la boîte noire »
L’intégration croissante de l’intelligence artificielle dans la chaîne judiciaire suscite de vives inquiétudes au sein de la communauté juridique, des défenseurs des droits fondamentaux et des institutions de régulation.
Le premier écueil concerne le manque de transparence et la compréhension des décisions algorithmiques, souvent qualifiés de phénomène de « la boîte noire » (black box). Dans le cadre d’un procès pénal équitable, la défense a le droit fondamental d’interroger la validité des preuves présentées par l’accusation. Or, si un algorithme désigne un suspect ou établit un lien de causalité à partir de modèles mathématiques complexes dont le fonctionnement interne ou le code source est protégé par le secret commercial du concepteur privé, le principe du contradictoire se trouve gravement compromis.
Le second défi réside dans la gestion des biais algorithmiques et des faux positifs :
- Les biais d’entraînement : Si un modèle d’IA est entraîné sur des historiques de données policières reflétant des pratiques de contrôle ciblées sur certaines zones géographiques ou catégories de population, l’algorithme aura tendance à reproduire et amplifier ces biais statistiques, créant des boucles de rétroaction discriminatoires.
- Le risque de sur-confiance technologique (automation bias) : Les enquêteurs ou les juges peuvent être tentés d’accorder une foi aveugle aux conclusions présentées par un système informatique avancé, reléguant au second plan l’esprit critique, le doute méthodique et le discernement humain.
- Atteintes à la vie privée et surveillance de masse : L’utilisation de techniques d’analyse prédictive ou de reconnaissance faciale en temps réel dans l’espace public pose la question de la préservation de la liberté d’aller et venir de manière anonyme et du respect du Règlement général sur la protection des données (RGPD) ou des cadres législatifs équivalents.
Pour encadrer ces technologies, des initiatives législatives majeures, à l’image du Règlement sur l’intelligence artificielle (AI Act) de l’Union européenne, imposent des contraintes strictes. Les outils d’IA utilisés dans le domaine du maintien de l’ordre et de la justice y sont classés comme « à haut risque », imposant un contrôle humain systématique en boucle (human-in-the-loop), une traçabilité totale des données d’entraînement et une interdiction stricte de l’évaluation prédictive individuelle du risque criminel basée sur des profils personnels.
L’impératif du discernement humain au cœur de la justice
L’intelligence artificielle représente une avancée technologique incontestable et désormais irréversible pour l’investigation criminelle. En libérant les enquêteurs des tâches d’analyse documentaire les plus lourdes et en révélant des structures de données invisibles à l’œil humain, elle permet de faire face à la complexité de la criminalité du XXIe siècle.
Toutefois, la technologie doit rester un instrument au service des professionnels du droit et de la sécurité, et non l’inverse. La valeur d’une enquête judiciaire ne réside pas uniquement dans la puissance de calcul des serveurs informatiques, mais dans la rigueur du raisonnement juridique, l’éthique du doute, le respect des libertés fondamentales et la finesse d’analyse de l’esprit humain, seuls garants d’une justice équitable et légitime.