En avril 2026, l'Office for Nuclear Regulation (ONR) britannique a publié un rapport de synthèse, référence ONR-FUT-001, sur un projet de bac à sable réglementaire qu'il a piloté entre septembre 2025 et mars 2026, et en a annoncé les conclusions en mai. Le projet était l'une des expérimentations financées par le Regulatory Innovation Office du gouvernement via son AI Capability Fund, qui a mis jusqu'à 3,6 millions de livres à disposition des régulateurs britanniques pour apprendre à réguler l'IA en travaillant aux côtés de l'industrie ; la part de l'ONR dépassait légèrement 260 000 livres. Pour cette somme, quatre régulateurs — l'ONR, l'Environment Agency, le Health and Safety Executive et le Defence Nuclear Safety Regulator — ont passé sept mois avec quatre exploitants et deux spécialistes de l'assurance de l'IA à déterminer ce qu'un dossier de sûreté pour un composant d'apprentissage automatique dans une installation nucléaire devrait réellement contenir. Ce blog a également couvert un atelier du JRC sur l'IA pour les matériaux nucléaires où un représentant de l'ONR siégeait au panel de clôture ; ce rapport est le récit du régulateur lui-même sur la même technologie, vu du côté de l'autorisation.
Ce que « bac à sable réglementaire » voulait dire ici
En politique de l'IA, « bac à sable » désigne d'ordinaire une dérogation juridique : un espace contrôlé où un fournisseur peut tester un système sous des obligations allégées. Ce n'est pas ce que l'ONR a mené. Rien n'a été déployé, rien n'a été exempté, aucune autorisation n'a été accordée. Le bac à sable était une série structurée d'ateliers — des sessions techniques de deux heures par cas d'usage, des ateliers « sprint » d'une demi-journée pour affiner un énoncé de problème et d'opportunité, et des approfondissements d'une journée en présentiel — organisée autour d'un dossier d'assurance fictif. Ce dossier reprenait la structure affirmations-arguments-preuves déjà utilisée dans les dossiers de sûreté nucléaire britanniques et la réduisait à trois affirmations de premier niveau : les exigences du composant d'IA sont suffisamment définies, le composant les satisfait initialement, et il continue de les satisfaire dans le futur. Les approfondissements demandaient ensuite, pour chaque affirmation, quelles preuves seraient nécessaires et si elles existeraient probablement. Un atelier préparatoire a enseigné aux participants le cadre d'assurance de l'apprentissage automatique AMLAS, issu du secteur automobile et du Centre for Assuring Autonomy de l'Université de York, et les approches d'assurance du secteur médical ont aussi été consultées.
Le périmètre était délibérément étroit. Les deux cas d'usage reposaient sur de l'apprentissage automatique supervisé sans apprentissage continu — un modèle entraîné hors ligne, puis figé — exécutant une tâche unique sur des données de vision par ordinateur. Le rapport appelle cela du « ML étroit » et explique franchement pourquoi : valider un classifieur figé qui signale des défauts sur une radiographie est quelque chose qu'un humain peut vérifier, d'une manière qui n'est pas possible pour un modèle génératif à usage général. Le projet s'appuie sur le bac à sable pilote de 2023 de l'ONR et de l'Environment Agency, et sur le document de principes trilatéral publié par l'ONR avec la NRC américaine et la Commission canadienne de sûreté nucléaire en septembre 2024. La différence affichée avec le pilote est la profondeur : cette fois, les partenaires industriels ont apporté des concepts d'exploitation, des flux de travail et des rôles d'opérateurs assez détaillés pour dégager des conclusions sur l'assurance plutôt que des généralités.
Les deux cas d'usage, avec les chiffres que donne le rapport
Cas d'usage 1 : tri par IA de radiographies de soudures. Les exploitants étaient Rolls-Royce Submarines et NNB Generation Company, titulaire de la licence de Hinkley Point C, avec le Health and Safety Executive et le Defence Nuclear Safety Regulator aux côtés de l'ONR. Aujourd'hui, un radiographe qualifié lit chaque film à la recherche de porosités, de soufflures vermiculaires et de manques de fusion ; le danger est une soudure qui fuit et devient un rejet radioactif. Le système proposé fait classer par un premier composant d'IA les radiographies en « acceptées » ou « avec défauts », par un second les défauts en « à traiter » ou « acceptables », et un radiographe humain ne fait qu'une revue par échantillonnage des décisions de l'IA — en examinant chaque film présentant un défaut à traiter, mais en ne vérifiant que périodiquement les films acceptés. L'objectif de performance est la norme industrielle actuelle, une probabilité de détection des défauts à traiter de 90 % avec un niveau de confiance de 95 %. Le système est développé en interne, les modèles sont statiques une fois entraînés, et — un détail que le rapport énonce sans commentaire — ils sont entraînés et testés sur des images de chaque type de défaut sans aucune image « normale » dans l'un ou l'autre jeu. L'estimation grossière du bénéfice est d'environ 20 millions de livres sur un projet de construction neuve typique.
Cas d'usage 2 : l'IA pour la caractérisation des déchets radioactifs. Sellafield et Nuclear Restoration Services, avec l'Environment Agency aux côtés de l'ONR. Il s'agit en réalité de deux applications. La première utilise la vision par ordinateur sur des vidéos de chutes de boues pour déduire la résistance au cisaillement de la déformation du matériau, et conseille l'opérateur sur le niveau de remplissage d'un conteneur de stockage ; l'objectif préliminaire est que l'IA caractérise correctement au moins deux chutes sur trois, les données d'entraînement n'existent pas encore et proviendraient d'un banc d'essai, et Sellafield a publiquement chiffré l'économie potentielle entre 100 et 500 millions de livres dans sa propre revue de R&D 2024/25. La seconde utilise la vision pour identifier des objets spécifiques lors du tri et de la ségrégation des déchets de moyenne activité et de faible activité, en remplacement d'une étape visuelle manuelle, un détecteur gamma séparé et non-IA vérifiant la radioactivité de ce que l'IA a repéré. La performance de détection actuelle du ML est d'environ 80 % ; le processus manuel existant atteint zéro erreur d'affectation, et l'objectif déclaré est d'augmenter le débit sans s'écarter de cette référence. La Nuclear Decommissioning Authority a indiqué lors d'un forum de recherche en mars 2026 que le tri et la ségrégation autonomes à l'échelle de son parc pourraient économiser plus de 400 millions de livres.
Les deux architectures sont présentées de la même façon : l'IA se situe à l'intérieur d'un dispositif de défense en profondeur où des couches indépendantes devraient défaillir successivement avant qu'un dommage ne survienne. Dans plusieurs des sous-cas, note le rapport, le composant ML ne jouait pas un rôle important dans le concept d'exploitation global, et les conséquences de sa défaillance étaient en partie rattrapées par des étapes ultérieures du flux de travail. C'est en grande partie pour cela que la conclusion est ce qu'elle est.
Ce que les régulateurs ont conclu, et avec quelle prudence ils l'ont dit
La conclusion principale apparaît deux fois en termes presque identiques : « aucune raison fondamentale n'a été identifiée pour laquelle l'approche adoptée par les concepts proposés serait incompatible avec le cadre réglementaire existant ». Les réserves comptent autant que la phrase. La conclusion repose sur « les informations limitées disponibles dans le bac à sable réglementaire et dans les limites fixées par l'avertissement du rapport ». Cet avertissement précise que le rapport « ne représente pas une position réglementaire formelle », que toute future décision d'autorisation sera prise par une équipe réglementaire indépendante selon le processus normal, et — aveu franc — que les partenaires industriels, du fait du calendrier, « n'ont fourni qu'une contribution limitée » au rapport lui-même. Que l'un ou l'autre cas d'usage puisse démontrer qu'il satisfait aux exigences de sûreté et environnementales « dépendra de la manière dont la conception détaillée et l'exécution de chaque cas d'usage sont développées ».
Lu d'une certaine façon, c'est un régulateur qui ne dit presque rien. Lu autrement, c'est un régulateur qui consigne par écrit qu'un système où un humain ne fait que vérifier par échantillonnage les verdicts d'une IA sur des soudures, et un autre où une IA remplace une étape visuelle manuelle dans la classification de déchets radioactifs, sont le genre de choses que son cadre peut accueillir — sans une seule règle nouvelle. L'explication du rapport est le régime britannique fondé sur des objectifs : la loi fixe ce que l'exploitant doit atteindre, pas comment, et les tests ALARP et « meilleures techniques disponibles » s'appliquent à un composant ML exactement comme à tout le reste. Il va plus loin et affirme qu'un cadre fondé sur des objectifs « peut mieux accueillir des technologies émergentes comme l'IA que des régimes fondés sur des règles, où la législation, les normes et les orientations ont souvent besoin de temps pour mûrir ». Il ne nomme pas le règlement européen sur l'IA, mais la comparaison est difficile à manquer ; l'AI Act fait aussi des bacs à sable réglementaires un instrument formel, la différence étant que la version britannique a été convoquée par un régulateur sectoriel sans aucune loi dédiée à l'IA derrière lui. Le rapport crédite aussi le projet d'avoir poussé l'industrie vers « des options plus ambitieuses que les cas d'usage initialement proposés par l'industrie » — le régulateur a incité les exploitants à s'appuyer davantage sur l'IA, pas moins, conformément à l'objectif affiché de passer d'applications à faible autonomie et faible enjeu vers le centre du modèle à quatre cases du document trilatéral.
Les conclusions techniques qui dépassent le nucléaire
L'annexe 2 est là où le rapport gagne sa valeur. Plusieurs de ses conclusions sont la formulation la plus claire que j'aie vue de la part d'un régulateur de sûreté de problèmes que partage tout déploiement d'IA à fortes conséquences.
- Le point de fonctionnement est une décision de spécification. L'équilibre entre faux positifs et faux négatifs doit être fixé « lors de la définition de la spécification des exigences du système », parce qu'il « peut créer un compromis entre efficacité et sûreté » : les faux positifs génèrent des reprises, les faux négatifs sont des défauts manqués qu'il faut atténuer par d'autres moyens. C'est exactement le compromis que PNNL a constaté en pratique quand une version plus récente d'un outil commercial d'inspection de soudures a fait passer la détection de 97 % à 100 % tandis que son taux de fausses alertes montait de 58 % à 83 %. La position de l'ONR est qu'un exploitant devrait avoir choisi où il veut se situer sur cette courbe avant que le système existe, et non l'avoir découvert après coup.
- Les données d'entraînement sont structurellement rares, et le rapport dit pourquoi. Les défauts dans les soudures nucléaires sont rares précisément parce que la qualité de fabrication est élevée, si bien que la classe qu'un classifieur a le plus besoin d'apprendre est celle qui a le moins d'exemples. Le recours à des données d'autres applications ou à des données synthétiques doit être décidé « dans le cadre de la définition initiale du système » — la même conclusion à laquelle sont parvenus les intervenants de F4E et d'Argonne à l'atelier du JRC, du côté des matériaux.
- La dérive invalide l'assurance, donc le périmètre de revalidation doit être défini à l'avance. Les changements intentionnels (mises à niveau) et non intentionnels (glissements de la distribution des données) « peuvent modifier le comportement du système d'une manière qui peut invalider des affirmations d'assurance antérieures ». Le rapport demande un cadre d'évaluation d'impact proportionné, parce que « tout changement n'exige pas une revalidation complète ».
- Transférer un modèle vers une tâche similaire impose de réévaluer son dossier d'assurance. L'apprentissage général se transfère ; la validation non, et le transfert devient plus difficile à mesure que le niveau de dépendance à l'IA dans la prise de décision augmente.
- L'exploitant doit être un client averti, et ces compétences sont « actuellement limitées dans le secteur nucléaire ». Les titulaires de licence restent juridiquement responsables, quelle que soit la part de gouvernance qu'ils sous-traitent. Le rapport signale des frictions de propriété intellectuelle avec des fournisseurs à qui l'on demande de livrer données d'entraînement et métriques de performance, et traite la sécurité de la chaîne d'approvisionnement de l'IA comme une obligation continue de « sécurité dès la conception », avec traçabilité de la provenance de toutes les données, modèles et dépendances tiers, parce que « les systèmes d'IA sont particulièrement vulnérables aux attaques adverses ».
- L'excès de confiance et le manque de confiance sont deux modes de défaillance. La section humain-IA demande des rôles et des limites de décision définis, une incertitude visible, et une formation permettant aux opérateurs de reconnaître quand l'IA n'est pas fiable — et elle pose directement la question de long terme : là où les humains conservent la décision finale, le dossier de sûreté doit considérer comment la dépendance croissante à l'IA érode leurs compétences et leur conscience de la situation, et ce qui se passe quand l'IA est indisponible et qu'un humain doit reprendre la main.
- Les premières phases d'exploitation sont une phase de collecte de preuves, si la conception le permet. Le rapport suggère d'utiliser les essais et les premières exploitations pour mesurer les taux réels de faux positifs et de faux négatifs, en commençant par des contrôles stricts et en les assouplissant à mesure que les preuves s'accumulent — ce qui ne fonctionne que si l'installation a été conçue avec assez de souplesse pour s'ajuster. Il traite une période d'incertitude accrue après déploiement comme quelque chose à gérer à l'intérieur d'une enveloppe ALARP tolérable, et non comme quelque chose à éliminer avant le déploiement.
Une phrase mérite d'être citée à part. Quand les exigences d'un système sont incomplètes, dit le rapport, « l'évaluation des risques manque d'un point de référence clair », et c'est pire pour l'IA, « où la définition des exigences et l'évaluation des risques sont déjà plus complexes ». C'est un régulateur qui concède que la machinerie standard des dossiers de sûreté suppose une complétude de spécification que les systèmes de ML ne fournissent pas naturellement.
Le problème de l'argent, et trois manières de le contourner
L'annexe 3 est la section la moins remarquée et la plus révélatrice quant à savoir si tout cela passe à l'échelle. Les deux bacs à sable nucléaires sur l'IA à ce jour ont été payés par des subventions publiques compétitives, et le rapport dit sans détour que cela « peut restreindre la possibilité de soutenir de futurs bacs à sable dans les délais dont le secteur nucléaire britannique a besoin ». Trois options sont sur la table : l'industrie finance les futurs bacs à sable réglementaires, peut-être via le forum intersectoriel des responsables de l'innovation ; l'ONR crée un « produit » plus léger qui met à l'épreuve une innovation tôt pour détecter des lacunes fondamentales avec moins de parties prenantes ; ou l'industrie mène ses propres bacs à sable et y invite les régulateurs sur des points précis, ce qui, admet le rapport, produirait des résultats différents parce que les objectifs différeraient. Rien n'est tranché ; la date cible est le quatrième trimestre 2026.
Cela s'inscrit dans un mouvement plus large. Le rapport de la Nuclear Regulatory Taskforce de novembre 2025 citait le bac à sable de l'ONR comme un succès et sa recommandation 41 appelait à un programme national de numérisation du nucléaire incluant l'IA ; le gouvernement a accepté les 47 recommandations en mars 2026. Et la propre liste de références du rapport contient la phrase qui coupe court à tout triomphalisme : le rapport de recherche de l'ONR d'avril 2026 sur l'IA et le ML a constaté que « là où la défaillance de l'IA entraîne des conséquences significatives, la recherche en cours n'a pas été en mesure à ce jour d'identifier des moyens adéquats d'assurer la sûreté et la sécurité ». Le bac à sable a obtenu sa réponse rassurante en partie parce que les deux cas d'usage ont été choisis pour maintenir un faible enjeu de sûreté pour l'IA, avec d'autres couches derrière elle. Le cas difficile — un composant d'IA sur lequel le dossier de sûreté s'appuie réellement — est celui que la recherche du domaine elle-même dit ne pas encore pouvoir assurer.
À surveiller
- Le manuel de bac à sable, attendu au quatrième trimestre 2026. L'ONR s'est engagé à consolider les enseignements administratifs et techniques dans un manuel pour les futurs bacs à sable ; s'il devient un modèle réutilisable pour d'autres régulateurs sectoriels britanniques, ce sera le résultat le plus durable du projet.
- La décision de financement, attendue aussi d'ici fin 2026. Que les futurs bacs à sable soient payés par l'industrie, remplacés par un « produit » plus léger du régulateur, ou menés par l'industrie elle-même détermine combien il y en aura, et qui fixe les questions.
- La revue à un an avec les partenaires du projet, visée pour le premier trimestre 2027. C'est le premier moment où l'hypothèse du rapport — que les discussions ont réduit assez d'incertitude pour accélérer un déploiement réel — sera confrontée à la question de savoir si Rolls-Royce, Hinkley Point C, Sellafield ou NRS ont réellement fait avancer l'un ou l'autre cas d'usage vers une demande d'autorisation.
- Le futur TECDOC de l'AIEA sur les implications de sûreté et de sécurité de l'IA dans le nucléaire, en préparation avec la contribution de l'ONR. C'est le document le plus susceptible de porter la distinction du ML étroit et la conclusion sur le point de fonctionnement dans les orientations internationales.
- Si un exploitant dépose un dossier de sûreté dans lequel l'humain ne fait que réviser l'IA par échantillonnage. C'est la conception que décrit le cas d'usage 1, et c'est là que « aucune objection fondamentale dans un bac à sable » et « autorisation d'une équipe réglementaire indépendante » deviendront enfin deux choses différentes.