En mai 2026, la Global Initiative Against Transnational Organized Crime (GI-TOC) a publié le rapport « Artificial Intelligence for Environmental Crime Enforcement: Insights from the Bangkok workshop on AI and environmental crime » (L’intelligence artificielle au service de la lutte contre la criminalité environnementale : enseignements de l’atelier de Bangkok sur l’IA et la criminalité environnementale). Ce rapport s’appuie sur un atelier tenu à Bangkok en janvier 2026, qui a réuni 26 acteurs issus des gouvernements, de la société civile, du monde universitaire et du secteur privé. Il examine l’usage croissant de l’intelligence artificielle dans la lutte contre la criminalité environnementale. Le constat central est le suivant : l’efficacité de l’IA dépend moins de la sophistication des outils que de la solidité des systèmes de données, des capacités institutionnelles et des cadres de gouvernance dans lesquels ils s’inscrivent.

Le recours croissant à l’IA dans la lutte contre la criminalité environnementale traduit un besoin opérationnel grandissant : l’extraction illégale de ressources et la pollution se multiplient tout en devenant plus complexes, transnationales et reposant sur des données volumineuses, alors que les services répressifs (surtout dans les zones les plus touchées) restent  sous-dotés. L’IA offre un potentiel réel pour combler certaines de ces lacunes (traitement à grande échelle de l’imagerie satellitaire, détection d’anomalies dans les flux commerciaux ou de comportements suspects de navires, priorisation des enquêtes). L’expérience montre toutefois que les principaux obstacles à son usage ne sont pas techniques mais structurels : faiblesse des systèmes de données, gouvernance fragmentée, contraintes juridiques, capacités institutionnelles limitées et asymétries de pouvoir dans la conception et le déploiement de ces technologies. D’où le besoin d’orientations pratiques pour un usage responsable et efficace.

En pratique…

Au Brésil, la police fédérale a déployé à grande échelle deux dispositifs complémentaires de lutte contre la criminalité environnementale, tous deux reposant sur l’intelligence artificielle : Brasil MAIS et Ouro Alvo (TraceForGold).
Lancé en 2020, Brasil MAIS est centré sur la télédétection : l’IA analyse les images satellites pour repérer automatiquement les changements d’occupation des sols liés à la déforestation et à l’exploitation minière illégale, puis génère des alertes diffusées via une plateforme partagée. L’ampleur du programme est considérable, avec près de 730 institutions et quelque 130.000 utilisateurs connectés, et des dizaines de milliers d’alertes produites chaque mois.  S’agissant de l’aspect organisationnel,  la police fédérale en conserve la supervision stratégique tandis que le développement et l’exploitation technique sont confiés à un prestataire privé,

Lancée en 2019, Ouro Alvo vise quant à elle la traçabilité de l’or. L’approche est d’abord médico-légale : analyses chimiques et isotopiques en laboratoire, comparées à une bibliothèque de référence d’échantillons issus de zones d’extraction légales et illégales. L’IA y intervient comme couche de support, croisant dossiers de production, documents commerciaux et données géospatiales pour détecter les incohérences dans la chaîne d’approvisionnement.

Une zone d’extraction aurifère dans l’État du Pará, au Brésil. La police brésilienne a mis au point un dispositif qui recourt à l’IA pour analyser l’imagerie satellitaire et les données de télédétection afin de détecter les changements d’occupation des sols liés à l’exploitation minière illégale. © Mauro Pimentel/AFP via Getty Images

L’efficacité du modèle brésilien tient à l’intégration de ces outils. Les enquêteurs d’Ouro Alvo s’appuient sur les renseignements issus de Brasil MAIS pour leurs opérations de terrain, permettant une allocation plus ciblée des ressources. En avril 2025, ce dispositif avait contribué à une baisse des taux de déforestation et généré des milliards de dollars en amendes, saisies de biens et gels d’avoirs liés à l’exploitation illégale du bois et des mines. Dans les deux projets, le modèle « human-in-the-loop » reste la règle : l’IA augmente le jugement des analystes sans jamais s’y substituer.

En République tchèque, le Présidium de la police a développé un outil d’intelligence artificielle, AIDA (AI Digital Assistant), destiné à optimiser les enquêtes criminelles, en particulier dans le domaine de la cybercriminalité. AIDA fonctionne comme un système de soutien de bout en bout. Il traite les entretiens avec les victimes et les témoins pour générer automatiquement des descriptions de cas structurées, identifie les entités clés (suspects, victimes) et prépare la documentation formelle nécessaire au lancement des procédures judiciaires. Le système intègre ensuite diverses sources de données, dont les informations financières des banques, afin de cartographier les flux de transactions, et automatise des étapes procédurales lourdes telles que les demandes de gel de fonds ou l’obtention de relevés bancaires et de télécommunications. Les gains opérationnels sont notables : le temps de traitement des dossiers a été réduit de 40 % à 70 %, avec une baisse des taux d’erreur et une meilleure cohérence analytique. Le dispositif facilite par ailleurs la coordination avec les partenaires externes (banques, fournisseurs de télécommunications, procureurs). Comme dans les modèles brésiliens, AIDA repose sur une approche « human-in-the-loop » qui allège la charge administrative des enquêteurs sans se substituer à leur jugement professionnel. S’il reste centré sur la cybercriminalité, l’exemple tchèque illustre comment l’IA peut transformer la gestion de dossiers complexes et volumineux, une caractéristique que partagent fréquemment les enquêtes sur la criminalité environnementale.

En Afrique du Sud, le ministère des Forêts, de la Pêche et de l’Environnement intègre l’intelligence artificielle au sein de son Environmental Enforcement Fusion Centre (Centre de fusion pour l’application des lois environnementales), afin de renforcer la lutte contre la criminalité liée aux espèces sauvages. Ce centre sert de plaque tournante du renseignement, coordonnant les stratégies tactiques de lutte contre le braconnage, avec un accent particulier sur la protection des rhinocéros et d’autres espèces menacées. L’approche sud-africaine se distingue par son parti pris d’intégration plutôt que de création : les outils d’analyse fondés sur l’IA sont greffés directement sur les bases de données et les flux de travail existants, au lieu de bâtir des systèmes autonomes. Le dispositif centralise des sources variées (transactions financières, données de géolocalisation, reconnaissance de plaques d’immatriculation, réseaux sociaux, relevés de téléphonie mobile) et mobilise l’IA pour relier les dossiers connexes, identifier des schémas à travers de vastes ensembles de données et générer des informations prédictives sur les futurs points chauds de la criminalité.Le déploiement est progressif. Une première phase porte sur l’analyse automatisée des liens et la modélisation prédictive, afin de cartographier les relations entre suspects, lieux et activités ; une seconde introduit des capacités de traitement d’images pour soutenir l’analyse des preuves visuelles.Sur le plan opérationnel, le projet suit rigoureusement un modèle « human-in-the-loop » : les résultats produits par l’IA sont systématiquement examinés par des analystes avant de nourrir les rapports de renseignement ou les éléments de preuve destinés aux poursuites. L’ensemble privilégie l’interopérabilité entre systèmes et une adoption incrémentale. Encore au stade pilote, l’initiative a déjà permis de réduire le temps de traitement manuel, d’accélérer la production de renseignements et d’améliorer la rapidité du partage d’informations entre services.

La société civile

La société civile occupe une place déterminante en prolongeant la production de renseignements au-delà des structures formelles d’application de la loi. Les initiatives portées par les organisations non gouvernementales (ONG) et le monde universitaire révèlent une grande diversité d’approches, de la surveillance des marchés en ligne à la participation communautaire.

• Le projet ECO-SOLVE repose sur un flux de travail hybride pour enquêter sur le commerce illégal d’espèces sauvages en ligne. Le système combine moissonnage automatique du Web (web scraping), modèles de langage étendus (LLM) et agents IA pour repérer les annonces suspectes. Son originalité tient à la génération dynamique de requêtes multilingues et au recours à des techniques de recherche avancées permettant d’atteindre des plateformes difficiles d’accès. Les analystes valident systématiquement les résultats, ce qui affine les règles de recherche et garantit la fiabilité des données.
• Développé par The Academic Success Foundation au Ghana, EcoScan AI mise au contraire sur l’inclusion et l’accessibilité. Les membres de la communauté soumettent des signalements anonymes (textes, images) via des plateformes courantes comme WhatsApp ; l’IA structure ces données brutes pour dégager des schémas et signaler des zones de préoccupation. Des analystes locaux formés valident ensuite ces sorties afin d’y apporter un contexte géographique et social, réduisant les risques de mauvaise interprétation.
• Le projet européen PERIVALLON illustre quant à lui l’intégration de sources disparates. La plateforme fusionne imagerie satellite, capteurs de drones, systèmes d’identification maritime (AIS) et surveillance des marchés en ligne. Elle peut détecter des décharges illégales, repérer des objets suspects dans des scans à rayons X ou analyser des flux textuels, transformant des données hétérogènes en un tableau de bord d’aide à la décision pour les enquêteurs.
• Enfin, l’organisation Wildlife Protection Solutions (WPS) mobilise l’IA pour protéger les espaces naturels avec wpsWatch. Des réseaux de pièges photographiques et de capteurs transmettent des images en temps réel par satellite ou internet : un premier niveau d’IA détecte humains, véhicules ou animaux, tandis que des classificateurs spécialisés identifient précisément les espèces et les menaces potentielles. Le système traite environ 40.000 images par jour et a contribué à de nombreuses arrestations.

Images capturées par wpsWatch, un système de surveillance assisté par IA qui permet la détection en temps réel de la criminalité faunique dans les aires protégées. Photos : Wildlife Protection Solutions

Trois traits communs se dégagent de ces initiatives. D’abord la complémentarité : ces outils ne remplacent pas les autorités mais augmentent leur capacité d’action en fournissant des renseignements exploitables. Ensuite le modèle « human-in-the-loop », jugé indispensable pour garantir l’exactitude, la responsabilité et la compréhension du contexte, en particulier dans les zones pauvres en données. Enfin l’accessibilité, la société civile privilégiant souvent des solutions à faible barrière d’entrée, comme WhatsApp, pour encourager la participation citoyenne.

Principes et recommandations

Le rapport dégage huit principes fondamentaux pour une adoption responsable et efficace de l’IA dans la lutte contre la criminalité environnementale.

1. Partir du problème, et non de la technologie. Déployer un outil sans cas opérationnel clairement défini est à proscrire, car des améliorations simples (meilleure coordination, partage de données) se révèlent parfois plus efficaces.
2. Gérer le paradoxe du déploiement. L’IA est la plus prometteuse là où elle est la plus difficile à mettre en œuvre, notamment dans les zones pauvres en données et à faible capacité institutionnelle.
3. Concevoir pour le transnational tout en produisant un impact local. Les systèmes doivent viser les réseaux criminels transfrontaliers sans cibler de manière disproportionnée les acteurs locaux, visibles et vulnérables.
4. Préserver la supervision humaine. L’IA doit augmenter le jugement humain et non s’y substituer, le contexte local et les nuances juridiques échappant souvent aux seules données.
5. Bâtir l’IA comme un bien public. Pour garantir durabilité et équité, mieux vaut privilégier les outils open source et collaboratifs que dépendre exclusivement de produits propriétaires.
6. Traiter les données comme une infrastructure de base. Le succès de l’IA repose sur un investissement soutenu dans la numérisation, la standardisation et l’accès sécurisé aux données.
7. Naviguer dans la politique de l’adoption. L’intégration de l’IA suppose de gérer les résistances internes et les préoccupations organisationnelles, en formant des « ambassadeurs » de l’IA au sein des institutions.
8. Développer la capacité à gouverner l’IA, pas seulement à l’utiliser. Les organisations doivent pouvoir auditer et évaluer de façon critique les outils qu’elles emploient, afin d’éviter les biais et la dépendance externe.

Des étudiants s’exercent sur une scène de crime faunique reconstituée en Afrique du Sud. Les outils médico-légaux et l’analyse de données assistés par l’IA contribuent à améliorer les enquêtes et les poursuites dans les affaires de braconnage. © Marco Longari/AFP via Getty Images

Le rapport traduit ensuite ces principes en mesures concrètes, déclinées par catégorie d’acteurs.Les développeurs sont invités à concevoir pour des environnements à faible connectivité, à garantir l’explicabilité des résultats en vue d’un usage judiciaire et à privilégier des systèmes modulaires limitant les pièges de dépendance.Les responsables de la mise en œuvre doivent d’abord combler les lacunes opérationnelles réelles plutôt que d’adopter des outils par effet de mode, et consolider les systèmes de données fondamentaux avant tout déploiement à grande échelle. Les donateurs devraient financer les infrastructures et la capacité opérationnelle de long terme, et non de simples projets pilotes isolés, souvent voués à l’échec une fois le financement initial épuisé. Les ONG internationales, enfin, ont vocation à jouer un rôle d’intermédiaire, en co-concevant les outils avec les forces de l’ordre locales pour s’assurer qu’ils répondent aux exigences probatoires et aux réalités du terrain.

Une décharge sauvage en Angleterre. Le déploiement de l’IA dans la lutte contre la criminalité environnementale suppose de différencier au préalable les types d’infractions, les crimes liés aux déchets impliquant des acteurs, des chaînes d’approvisionnement et des enjeux répressifs distincts des autres formes de criminalité environnementale. © Marco di Lauro via Getty Images

Par Sandrine Le Bars

NDLR : Le modèle « human-in-the-loop » (« humain dans la boucle ») désigne le principe selon lequel  l’intelligence artificielle assiste l’humain mais ne décide pas à sa place. Elle traite de gros volumes de données et signale ce qui mérite attention, tandis que l’analyste vérifie, interprète et tranche. Le projet ECO-SOLVE en offre une bonne illustration : pour repérer le commerce illégal d’espèces sauvages en ligne, l’IA passe au crible des milliers d’annonces et estime, avec un indice de confiance, lesquelles relèvent vraiment d’un trafic. Mais c’est un analyste qui valide ensuite chaque cas signalé ; sa décision est réinjectée dans le système, qui affine ainsi ses critères de recherche. L’IA fait gagner du temps en filtrant le bruit ; l’humain garde la main sur le jugement final.

Voir le rapport ici
ou https://globalinitiative.net/analysis/artificial-intelligence-for-environmental-crime-enforcement/