IA spatial à Toulouse : NewSpace, satellites et CNES

Un directeur technique d'une startup NewSpace toulousaine de 25 personnes nous a posé cette question lors d'un premier échange : "On passe des semaines à éplucher les normes ECSS pour chaque nouvelle mission. Et notre équipe EO passe autant de temps à préparer les données qu'à les analyser. On sent que l'IA pourrait changer ça, mais on ne sait pas par où attaquer."

C'est une situation que nous rencontrons de plus en plus à Toulouse. La ville est devenue la première place forte du spatial en Europe : CNES, Airbus Defence & Space, Thales Alenia Space, IRT Saint-Exupéry, et une constellation de startups NewSpace (Kayrros, Loft Orbital, U-Space, Anywaves, HEMERIA, EarthCube/Preligens) y ont installé leurs équipes. L'écosystème est là. La pression sur les délais et les ressources humaines aussi.

L'IA — deep learning, LLM, agents autonomes — s'est suffisamment maturée pour adresser des cas d'usage spécifiques au spatial : analyse d'images satellite en Earth Observation, RAG sur corpus normatif ECSS, automatisation des phases AIT, monitoring de santé satellite en orbite. Chez Tensoria, nous accompagnons des PME et ETI toulousaines dans ces projets. Cet article décrit six cas d'usage concrets, les architectures adaptées, et ce qu'une startup NewSpace de 10 à 50 personnes peut raisonnablement déployer aujourd'hui.

L'écosystème spatial toulousain en 2026

Toulouse n'est pas simplement une ville avec un CNES. C'est le seul endroit en Europe où l'ensemble de la chaîne de valeur spatiale — de la conception du satellite à l'exploitation des données — est représenté dans un rayon de 15 kilomètres.

Les acteurs structurants

Le CNES (Centre National d'Études Spatiales) y concentre ses équipes techniques : propulsion, télécommunications, observation de la Terre, centre de contrôle CNES (CCC) pour le suivi des satellites en orbite. Le CNES finance également des projets d'innovation via son programme Connect by CNES et son partenariat avec l'ANITI (Artificial and Natural Intelligence Toulouse Institute) sur l'IA appliquée au spatial.

Airbus Defence & Space et Thales Alenia Space développent et intègrent des satellites de grande taille (géostationnaires GEO, optique très haute résolution). Leurs sous-traitants industriels, dont beaucoup sont installés en Occitanie, gèrent des phases AIT exigeantes sur le plan de la traçabilité et de la documentation.

L'IRT Saint-Exupéry est le vecteur de transfert technologique entre la recherche et l'industrie spatiale. Il pilote des projets collaboratifs sur l'IA embarquée, les matériaux et les systèmes autonomes — avec des partenaires publics et privés.

La Space Tower Toulouse et la Cité de l'espace incarnent la visibilité grand public, mais c'est surtout le tissu de startups NewSpace qui apporte la dynamique d'innovation rapide :

• Kayrros : analyse de données satellite pour le monitoring environnemental et énergétique (émissions méthane, suivi d'actifs pétroliers)
• Loft Orbital : opérateur de microsatellites proposant du "espace en tant que service" (satellite-as-a-service)
• U-Space : gestion du trafic des drones et véhicules aériens urbains, intégration de données spatiales
• Anywaves : antennes miniaturisées pour nanosatellites et cubesats
• HEMERIA : intégrateur de petits satellites, opérateur NewSpace
• EarthCube / Preligens (désormais Safran) : analyse automatisée d'images satellites par intelligence artificielle pour la défense et le renseignement

Ce tissu crée une demande réelle pour des compétences IA appliquées au spatial — une demande que les grandes ESN généralistes satisfont mal, faute de vocabulaire et de culture métier.

Pourquoi l'IA s'impose maintenant dans le spatial

Trois tendances convergent en 2026 :

• L'explosion du volume de données EO. Les constellations LEO (Sentinel, Planet Labs, Airbus OneAtlas) génèrent des pétaoctets d'images par an. L'analyse humaine ne suffit plus. Les algorithmes de deep learning sont le seul moyen de traiter ce flux à l'échelle.
• La pression sur les délais NewSpace. Les startups doivent aller vite. Un cycle de développement satellite qui prenait 7 ans chez les institutionnels doit se boucler en 18 à 36 mois dans le NewSpace. L'automatisation des tâches documentaires et d'ingénierie devient un avantage compétitif direct.
• La maturité des LLM sur des corpus techniques. Les modèles de langage actuels comprennent le vocabulaire d'ingénierie spatial (ECSS, ICD, MRD, PDR, CDR) et peuvent raisonner sur des documents techniques structurés — une capacité inexistante il y a trois ans.

Cas d'usage 1 : analyse d'images satellite par deep learning

C'est le cas d'usage le plus mature et souvent le plus impactant pour les acteurs Earth Observation. L'objectif : automatiser l'interprétation d'images multibandes (optique, SAR, infrarouge thermique) pour en extraire de l'information à valeur ajoutée.

Ce que l'IA détecte et mesure concrètement

• Détection de changements temporels. Comparer deux acquisitions sur la même zone pour identifier des constructions, des déboisements, des mouvements de troupes, des variations de niveau d'eau. Un modèle de change détection bien entraîné atteint des précisions supérieures à 90 % sur des images Sentinel-2 à 10 mètres de résolution.
• Classification de l'occupation des sols. Segmentation sémantique pixel par pixel pour cartographier les types de surface (urbain, forêt, agriculture, eau). Utilisé pour le suivi environnemental, l'urbanisme, les assurances agricoles.
• Détection d'objets. Comptage de véhicules dans des ports, identification de navires en haute mer, repérage d'infrastructures pétrolières. Les architectures YOLO et DETR adaptées à l'imagerie satellite sont aujourd'hui les standards.
• Estimation quantitative. Mesure de la surface foliaire (NDVI), estimation de la biomasse, calcul du volume des stocks de minerai à ciel ouvert par analyse stéréoscopique.

Architecture technique recommandée

Pour une startup NewSpace dont les équipes data sont de 2 à 5 personnes, nous recommandons de partir de modèles de fondation géospatiaux pré-entraînés (IBM/NASA Prithvi, Microsoft Planetary Computer) plutôt que d'entraîner from scratch. Ces modèles ont été pré-entraînés sur des milliards d'images satellite et peuvent être fine-tunés sur votre cas d'usage spécifique avec quelques milliers d'exemples annotés.

Le pipeline type : téléchargement et prétraitement des images (orthorectification, calibration radiométrique) → découpage en tuiles → inférence du modèle → post-traitement spatial → export vecteur ou raster. Des outils comme Rasterio et eo-learn gèrent la partie géospatiale. PyTorch ou TensorFlow gèrent l'inférence.

Pour comprendre comment intégrer ce type de pipeline dans un système de connaissances plus large, consultez notre article sur les architectures RAG multimodales combinant images, PDF et tableaux.

Cas d'usage 2 : RAG sur normes ECSS et documentation de mission

Les ingénieurs des équipes spatiales passent une part considérable de leur temps à chercher dans des corpus normatifs et documentaires denses. Les normes ECSS (European Cooperation for Space Standardization) couvrent des centaines de documents : ECSS-E, ECSS-M, ECSS-Q, ECSS-S. Chaque mission génère en parallèle des ICD, MRD, SRD, PDR, CDR qui se comptent en milliers de pages.

Ce que le RAG change concrètement

Un ingénieur qui cherche les exigences de marge thermique applicables à un composant payload en LEO passe aujourd'hui 30 à 60 minutes à naviguer dans ECSS-E-ST-32 et ses normes sœurs. Avec un système RAG correctement configuré, la réponse arrive en moins d'une minute — avec la citation exacte du paragraphe source, la version de la norme applicable, et les éventuelles dérogations documentées dans l'historique de projet.

Le RAG s'applique à plusieurs corpus en parallèle :

• Normes ECSS : les 150+ documents du corpus normatif ESA/CNES indexés en base vectorielle
• Documentation de mission : ICD, SRD, MRD, plans de test, rapports d'anomalies des missions précédentes
• Procédures AIT : instructions de travail, check-lists, rapports de test archivés
• Base de données d'anomalies : retours d'expérience (REX) des missions antérieures

Conditions de réussite

La qualité du RAG dépend directement de la qualité du corpus. Les normes ECSS en PDF sont bien structurées — elles se découpent proprement en chunks. La documentation de mission interne est souvent plus hétérogène (versions multiples, formats variés, documents partiellement renseignés). Une phase de nettoyage et de structuration du corpus est nécessaire avant indexation.

Sur la sécurité : les normes ECSS sont publiques. La documentation de mission est souvent confidentielle. L'architecture doit prévoir des espaces d'indexation distincts avec des droits d'accès par équipe (AIT, systems engineering, product assurance). Pour approfondir les architectures RAG sécurisées adaptées aux contextes industriels exigeants, consultez notre guide sur le RAG souverain avec Mistral.

Cas d'usage 3 : automatisation de la conception payload

La phase de conception d'un payload (instrument de mesure, caméra optique, radar SAR, capteur radio) est intensive en itérations documentaires. Les ingénieurs systèmes jonglent entre les exigences de mission (MRD), les contraintes de la plateforme satellite (masse, puissance, volume, thermique) et les capacités des composants disponibles (COTS spatial, EEE parts).

Où l'IA intervient dans le cycle de conception

• Génération de matrices d'exigences. À partir d'un MRD en entrée, un agent LLM peut identifier les exigences de premier niveau, les décomposer en sous-exigences système et suggérer la traçabilité vers les normes ECSS applicables. Ce travail prend habituellement plusieurs jours à un ingénieur systems engineering junior.
• Vérification de cohérence du budget de puissance. Un LLM avec accès au budget de puissance sous tableur peut détecter automatiquement les incohérences (consommation totale dépassant la capacité des panneaux solaires en configuration éclipsée) et signaler les marges insuffisantes.
• Recherche de composants EEE qualifiés. Sur la base des spécifications (niveau de radiation requis, plage de température, boîtier), un agent IA peut interroger des bases de données de composants qualifiés spatial et proposer une sélection avec les paramètres de qualification disponibles.
• Revue de cohérence ICD. Vérifier qu'un Interface Control Document est cohérent entre toutes ses révisions et avec les documents de référence amont (SRD, architecture système) — une tâche fastidieuse que l'IA peut automatiser en grande partie.

L'IA ne remplace pas l'ingénieur système. Elle absorbe la partie répétitive du travail — recherche, extraction, vérification de cohérence formelle — pour que l'ingénieur se concentre sur les décisions d'arbitrage qui nécessitent un jugement expert.

Ce type d'assistant IA documentaire est analogue à ce que nous déployons pour les bureaux d'études techniques en BTP, avec les adaptations propres aux corpus spatiaux.

Cas d'usage 4 : assistance aux phases AIT

Les phases AIT (Assembly, Integration and Test) sont parmi les plus critiques du développement satellite. Un satellite est un objet unique, impossible à remplacer une fois en orbite. Chaque opération doit être tracée, validée, documentée. Les équipes AIT jonglent avec des centaines de procédures, des check-lists complexes et une pression de délai intense.

Les tâches AIT que l'IA peut prendre en charge

• Assistance à la rédaction et mise à jour des procédures. Les procédures AIT évoluent en permanence (évolutions de configuration, retours d'anomalies). Un LLM peut proposer des mises à jour cohérentes d'une procédure existante en tenant compte des changements de configuration documentés, en maintenant la structure et le niveau de détail requis.
• Détection d'anomalies dans les données de test. Pendant les tests fonctionnels et les tests de qualification (vibration, thermique-vide, EMC), des milliers de paramètres sont acquis. Des algorithmes de détection d'anomalies (isolation forests, autoencoders) peuvent identifier en temps réel les déviations par rapport aux comportements nominaux définis dans les spécifications de test.
• Préparation automatique des rapports de test. Un workflow IA peut ingérer les fichiers de données de test (CSV, HDF5), comparer les résultats aux valeurs de référence de la spécification, identifier les passes et les échecs, et produire un rapport structuré conforme au template défini par le responsable qualité. Ce travail occupe parfois plusieurs jours d'ingénieur en fin de campagne de test.
• Suivi de la traçabilité exigences/tests. Vérifier automatiquement que chaque exigence du SRD dispose bien d'un test de vérification planifié, exécuté et concluant — la matrice de conformité que tout Product Assurance Manager redoute de mettre à jour manuellement.

Cas d'usage 5 : génération de spécifications et documents de mission

Un projet spatial génère des dizaines à des centaines de documents formels : plans de management, plans assurance qualité, plans de test, comptes-rendus de revues (PDR, CDR, QR, AR). Ces documents suivent des structures imposées par le CNES, l'ESA ou le client. Une part significative de leur rédaction est mécanique.

Ce que l'IA génère, et ce qu'elle ne génère pas

L'IA génère bien les sections structurelles répétitives : les listes d'acronymes, les tables de traçabilité, les sections "références documentaires", les chapitres d'introduction conformes au template. Elle génère également de premiers jets des sections descriptives à partir de notes d'ingénieur ou de présentations PDR.

L'IA ne remplace pas la réflexion d'ingénierie sur les sections qui nécessitent un jugement (justification des choix d'architecture, analyse de risques, options techniques étudiées et rejetées). Elle prépare la structure et le matériau ; l'ingénieur apporte la substance et la validation.

En pratique, les gains les plus importants se réalisent sur :

• La mise à jour documentaire entre les phases (PDR vers CDR) : les sections qui ne changent pas sont propagées automatiquement, les delta sont mis en évidence
• La génération des comptes-rendus de réunion structurés depuis les notes de réunion ou les transcriptions
• La rédaction des rapports d'anomalie (NCR spatial) à partir de la description technique de l'anomalie
• La mise en forme des plans de test depuis les spécifications d'exigences

Pour des équipes qui rédigent régulièrement des mémoires techniques ou des réponses à des appels d'offres, notre article sur la réponse aux appels d'offres par agents IA détaille une architecture similaire adaptable au spatial.

Cas d'usage 6 : monitoring de santé satellite en orbite

Une fois le satellite en orbite, le ground segment reçoit en permanence des flux de télémesure (HK — housekeeping data) : températures, tensions, courants, états des équipements, niveaux de charge des batteries, paramètres de contrôle d'attitude. Ces centaines de paramètres doivent être surveillés pour détecter les anomalies au plus tôt.

Les limites de la surveillance par seuils

La surveillance traditionnelle repose sur des seuils fixes définis dans les spécifications : si la température d'un équipement dépasse X°C, une alarme est levée. Ce système a deux limites majeures. Premièrement, les seuils ne capturent pas les dérives progressives (un équipement qui se dégrade lentement sans jamais dépasser son seuil). Deuxièmement, le volume d'alarmes en phase de manœuvre ou d'éclipse génère du bruit qui masque les vraies anomalies.

Ce que l'IA apporte au monitoring

• Détection d'anomalies par modèle de comportement nominal. Des algorithmes non supervisés (isolation forest, LSTM autoencoder) apprennent le comportement normal du satellite sur les premières semaines d'orbite, puis signalent les déviations statistiquement significatives. Cette approche capte les dérives que les seuils manquent.
• Corrélation de paramètres. Une anomalie sur la tension d'un bus de puissance n'a pas la même signification selon qu'elle est corrélée avec une élévation de température côté alimentation ou non. L'IA peut analyser les corrélations entre paramètres en temps réel pour qualifier la gravité et l'origine probable d'une anomalie.
• Prédiction de durée de vie des équipements. Sur des constellations avec plusieurs satellites (LEO), des modèles de maintenance prédictive entraînés sur l'historique des anomalies des satellites précédents permettent d'anticiper les défaillances et de planifier les manœuvres de passivation.
• Assistance au diagnostic en salle de contrôle. Un assistant LLM connecté à la base de données de télémesure et aux procédures de gestion d'anomalie peut guider le contrôleur de mission dans le diagnostic et la procédure de réponse, en remontant les précédents similaires dans l'historique de la mission.

Le CNES mène des travaux de recherche sur ces sujets dans le cadre de ses activités R&T liées au ground segment. Les startups opérateurs (comme HEMERIA ou Loft Orbital) ont un intérêt direct à déployer ces capacités pour maintenir des constellations sans sur-dimensionner leurs équipes de contrôle.

La convergence IA, Earth Observation et LLM multimodal

La frontière entre analyse d'image satellite et traitement du langage se dissout progressivement avec les modèles multimodaux (vision + texte). Cette convergence ouvre des cas d'usage qui n'existaient pas il y a deux ans.

Ce que les modèles vision-langage permettent aujourd'hui

Un analyste peut désormais interroger une scène satellite en langage naturel : "Combien de bâtiments ont une superficie supérieure à 500 m² dans cette zone industrielle ?" ou "Indique les zones où la végétation a significativement régressé entre l'acquisition de mars et celle de mai." Le modèle joint la compréhension visuelle et le raisonnement textuel pour répondre directement.

Les modèles de fondation géospatiaux multimodaux (comme Prithvi d'IBM/NASA sur HuggingFace) sont pré-entraînés sur des données satellites multibandes. Ils peuvent être fine-tunés sur des cas d'usage spécifiques avec des ressources de calcul raisonnables — de l'ordre de quelques jours de GPU A100.

Le pipeline Earth Observation de nouvelle génération

La vision d'un pipeline EO complet intégrant l'IA à chaque étape ressemble à ceci :

1. Acquisition programmée. Un agent IA optimise le planning d'acquisition du satellite en fonction de la couverture nuageuse prévue, de la priorité des zones d'intérêt et de la fenêtre d'éclairage solaire.
2. Downlink et prétraitement automatisé. Les images reçues au ground segment sont automatiquement orthorectifiées, calibrées, et découpées par zone d'intérêt.
3. Analyse par modèle de deep learning. Le pipeline d'inférence classifie les scènes, détecte les objets d'intérêt, calcule les indicateurs demandés.
4. Rapport narratif généré par LLM. Le modèle multimodal synthétise les résultats visuels en un rapport textuel structuré, prêt pour le client final.
5. Distribution et alertes. Les résultats sont envoyés aux destinataires via API, avec alertes automatiques si des seuils d'alerte sont franchis.

Ce type d'architecture full-stack EO est encore en cours de déploiement chez les acteurs les plus avancés, mais ses briques sont toutes disponibles commercialement aujourd'hui. La Commission européenne a d'ailleurs publié en mars 2026 une synthèse sur l'IA et l'Earth Observation : de l'innovation aux services qui cartographie ces évolutions.

Par où commencer pour une startup NewSpace de 10 à 50 personnes

Beaucoup d'équipes NewSpace que nous rencontrons ont la conviction que l'IA peut les aider, mais ne savent pas quel cas d'usage prioriser ni comment éviter de se lancer dans un projet trop ambitieux.

La règle de priorisation

Choisissez votre premier cas d'usage selon trois critères :

1. La douleur est réelle et chiffrable. "On perd X heures par semaine sur cette tâche" est un critère valide. "On aimerait être plus efficaces" ne l'est pas.
2. Les données sont disponibles et structurables. Les normes ECSS sont un corpus prêt à être indexé. La documentation de mission est disponible mais nécessite un nettoyage. Les données de télémesure sont disponibles si le satellite est en orbite.
3. Le risque de déploiement est limité. Un RAG documentaire qui aide un ingénieur à chercher dans les normes n'est pas critique si le résultat est incorrect — l'ingénieur vérifie. Un système qui génère des alarmes satellite en autonomie a un niveau de criticité bien différent.

La séquence de démarrage recommandée

Pour la grande majorité des acteurs NewSpace toulousains, nous recommandons de commencer par le RAG sur la documentation de mission interne combinée aux normes ECSS. C'est le cas d'usage le plus universel (toutes les équipes bénéficient du gain de temps documentaire), le moins risqué (pas de décision critique automatisée), et le plus démontrable rapidement.

La démarche en quatre temps :

• Audit documentaire (1 semaine). Inventaire des corpus disponibles (normes, docs mission, procédures AIT, REX), évaluation de la qualité et de la structuration, identification des droits d'accès à respecter.
• Prototype RAG ciblé (2 à 3 semaines). Indexation d'un sous-corpus (par exemple les normes ECSS thermiques + documentation thermique de la mission en cours), déploiement d'une interface de chat pour l'équipe thermique, mesure du gain de temps sur des requêtes réelles.
• Extension progressive (4 à 8 semaines). Élargissement du corpus, ajout des autres équipes, gestion des droits d'accès par profil utilisateur.
• Deuxième cas d'usage. Sur la base des apprentissages du premier déploiement, identification et lancement du second cas d'usage — souvent l'assistance à la rédaction documentaire ou la détection d'anomalies sur données de test.

Chez Tensoria, nous proposons un audit IA de cadrage qui couvre ces quatre premières étapes avec un livrable concret : cartographie des cas d'usage priorisés, architecture technique recommandée, estimation budgétaire et roadmap de déploiement.

Pour approfondir la question des coûts et du retour sur investissement sur ce type de projet, consultez notre guide sur le coût d'un projet RAG en entreprise et notre article sur comment mesurer le ROI d'un projet IA.

Pour aller plus loin

• Comprendre les architectures RAG : RAG en entreprise, fonctionnement et cas d'usage
• RAG sur données sensibles : RAG souverain avec Mistral, architecture et hébergement
• Images, PDF et tableaux dans un RAG : RAG multimodal, combiner sources hétérogènes
• IA pour les bureaux d'études techniques : assistant IA pour bureau d'études, cas d'usage concrets
• Estimer le budget d'un projet RAG : coût d'un projet RAG en entreprise
• Mesurer le retour sur investissement IA : ROI des projets IA, méthodes et indicateurs
• IA dans l'industrie et les ETI : solutions IA pour ETI, cas d'usage 2026
• Démarrer par un audit : audit IA de vos processus par Tensoria
• Notre expertise sur l'automatisation industrielle : n8n dans l'aéronautique à Toulouse
• IA pour les sous-traitants aéronautiques de Toulouse : transposable au tier-2 spatial.
• IA et documentation technique aéronautique : approche RAG transposable aux normes ECSS et S1000D spatiales.
• IA et supply chain aéronautique pour PME : prévision et obsolescence pertinentes aussi pour les startups NewSpace.

Questions fréquentes