L’IA de Flox Intelligence contre les collisions avec les animaux dans les aéroports, sur les voies ferrées et les routes

Flox Intelligence étend son IA dédiée à la faune au-delà des dispositifs de dissuasion fixes, avec déjà 150 appareils edge en service sur trois continents. Ces systèmes identifient les animaux à proximité et sélectionnent des sons propres à chaque espèce afin de les éloigner des pistes d’atterrissage, des voies ferrées, des routes et d’autres infrastructures.

Le conflit ne se résume pas à des animaux face à des machines. Flox mise sur le fait qu’une intelligence adaptative et locale peut surpasser les clôtures, sirènes, lumières, lasers, patrouilles et sons répétés. Ces approches établies restent utiles, mais chacune montre ses limites lorsque la faune modifie ses trajets ou s’habitue à un moyen de dissuasion.

Selon les détails du financement de Flox, l’entreprise ouvre désormais un tour de table de série A de 10 millions de dollars. Elle veut passer d’environ 150 unités déployées à plusieurs milliers. Ce projet transforme une technologie de conservation inhabituelle en test de la capacité de l’IA edge à devenir une infrastructure fiable.

L’IA pour la faune de Flox Intelligence passe des expérimentations aux infrastructures

Le changement important n’est pas une nouvelle démonstration de reconnaissance animale. Flox cherche à réunir détection, interprétation et dissuasion au sein d’un même système d’exploitation.

Flox est née de travaux menés au KTH Royal Institute of Technology de Stockholm. Sa fondatrice et directrice générale, Sara Nozkova, avait auparavant travaillé pendant 13 ans dans les transports et les véhicules autonomes. L’entreprise a été créée à partir du KTH en 2020.

Le postulat de Nozkova est que les moyens de dissuasion conventionnels considèrent souvent la faune comme une catégorie unique et prévisible. Une sirène peut faire du bruit, une lumière peut clignoter et une clôture peut rediriger les déplacements. Aucun de ces outils ne comprend nécessairement quel animal est arrivé ni comment il se comporte.

Flox Edge, le produit matériel actuel de l’entreprise, utilise un capteur de mouvement pour activer le système. Une caméra capture ensuite la scène, tandis qu’un modèle embarqué tente d’identifier l’animal. L’unité choisit une réponse sonore conçue pour cette espèce et cette situation.

Il s’agit d’IA edge, ce qui signifie que l’appareil traite les informations localement au lieu d’envoyer chaque observation vers un service cloud distant. Le traitement local est important à proximité de voies isolées, de routes éloignées ou de vastes aérodromes où la connectivité peut être peu fiable. Il réduit également le délai entre la détection et la réponse.

L’entreprise indique que ses systèmes peuvent faire varier leurs signaux au fil du temps. Cette variation vise à contrer l’accoutumance, processus par lequel les animaux cessent de réagir à un stimulus répété. Un enregistrement fixe peut devenir un bruit de fond après une exposition suffisante.

Nozkova a résumé simplement sa philosophie de conception : « J’étais convaincue que la solution n’était pas un moyen de dissuasion plus bruyant. » Son alternative est un système qui adapte sa réponse à l’espèce détectée et au comportement observé.

Le matériel peut être fixé à des poteaux, des arbres et d’autres structures existantes. Les clients bénéficient également d’un logiciel permettant de visualiser les déploiements, les événements et les conditions sur un site. Selon l’entreprise, la plateforme peut produire des rapports destinés à la conformité réglementaire et au suivi de la biodiversité.

Flox affirme qu’environ 150 appareils sont actifs en Amérique du Nord, en Europe et en Australie. Les sites signalés comprennent des périmètres aéroportuaires, des corridors ferroviaires, des routes, des fermes, des parcs, des sites miniers, des zones urbaines et des sous-stations électriques.

Cette présence reste limitée face aux réseaux de transport nationaux. Elle est toutefois suffisamment étendue pour exposer les appareils à différentes espèces, conditions météorologiques et environnements d’exploitation. Ces rencontres génèrent les données de terrain que Flox considère comme essentielles à son avantage.

L’entreprise vend ses unités physiques et facture un abonnement annuel aux logiciels et à l’IA après la première année. Elle concède aussi ses logiciels sous licence via des partenariats avec des fabricants d’équipements d’origine. Alstom teste cette approche en intégrant la technologie Flox à des équipements ferroviaires.

Flox prévoit environ 1,5 million de dollars de chiffre d’affaires en 2026, a déclaré Nozkova à TechCrunch. L’entreprise a levé environ 5 millions de dollars lors de ses financements pre-seed et seed. Sa série A proposée financerait un déploiement bien plus vaste et étendrait la technologie au-delà de ses applications actuelles pour la faune.

Le tour de table n’a pas été annoncé comme clôturé. Flox dispose donc d’un système opérationnel et de clients payants, mais sa prochaine expansion demeure un objectif de financement. Cette distinction est importante pour évaluer son calendrier.

Les collisions avec la faune font de ce projet bien plus qu’une initiative de conservation

Flox vend de la sécurité et de la continuité opérationnelle, la protection animale servant le même objectif plutôt qu’une mission distincte.

La faune s’introduit dans des infrastructures conçues autour de mouvements contrôlés. Les avions suivent des pistes, les trains suivent des rails et les voitures suivent des routes. Les animaux ne reconnaissent pas ces limites opérationnelles, et leurs trajets peuvent changer en fonction de la météo, des migrations, de la nourriture, des travaux et de l’activité humaine.

L’ampleur du problème apparaît le plus clairement dans l’aviation. Les dernières données de la FAA sur les collisions recensent environ 344 000 collisions signalées avec la faune impliquant l’aviation civile des États-Unis entre 1990 et 2025. Environ 24 500 collisions se sont produites dans 870 aéroports américains en 2025.

La FAA estime que ces incidents ont coûté à l’aviation civile américaine environ 272 millions de dollars par an en moyenne sur cette période. Cette estimation couvre les pertes directes signalées et d’autres pertes monétaires, mais pas toutes les conséquences écologiques ou opérationnelles.

Les oiseaux représentaient 96 % des collisions signalées impliquant des aéronefs civils américains. Pourtant, présenter le problème comme un contrôle générique des oiseaux peut masquer d’importantes différences entre espèces. La FAA indique que les oiseaux d’eau ne représentent que 4 % des collisions, mais 23 % des collisions causant des dommages.

La plupart des événements surviennent également près du sol. Environ 70 % se produisent entre le niveau du sol et 500 pieds. Cette concentration place les terrains aéroportuaires et leurs abords immédiats au cœur des efforts de réduction des risques.

Le danger n’est pas théorique. Un Boeing 737 MAX 9 de United Airlines a percuté un coyote lors de son décollage de Chicago O’Hare en janvier 2025. L’avion est revenu en toute sécurité, mais la collision avec un coyote à O’Hare a imposé une inspection et perturbé les passagers.

Les chemins de fer font face à un problème similaire sur des corridors beaucoup plus longs et moins contrôlés. Alstom indique que la Suède enregistre environ 5 000 collisions avec des animaux chaque année. Ces incidents peuvent blesser la faune, endommager les trains, retarder les passagers et exposer les conducteurs à des situations traumatisantes.

La France fournit une autre mesure de cette charge opérationnelle. La SNCF indique que les animaux errants affectent plus de 8 000 trains dans le pays chaque année. En Bretagne, 120 collisions avec des animaux en 2023 ont perturbé 660 services et provoqué plus de 15 000 minutes de retard.

Les clôtures restent importantes, notamment près des pistes et des sections ferroviaires à haut risque. Toutefois, une clôture continue est coûteuse et peut fragmenter les habitats. Les ouvertures, passages, sections endommagées et extrémités de clôture peuvent également devenir des points d’entrée prévisibles.

Les patrouilles humaines apportent du jugement, mais ne peuvent surveiller en continu chaque corridor éloigné. Des chiens dressés, des faucons, des moyens pyrotechniques, des véhicules, des lumières et des sirènes peuvent disperser les animaux. Leur efficacité dépend des effectifs, des espèces, du moment, du terrain et d’un suivi répété.

Cela crée une pression sur les exploitants aéroportuaires, les entreprises ferroviaires, les agences routières, les services publics et les gestionnaires fonciers. Ils doivent réduire le risque de collision sans dépendre entièrement de patrouilles exigeantes en main-d’œuvre ou de méthodes létales. Ils ont également besoin de preuves qu’une réponse automatisée reste efficace après son déploiement.

L’IA pour la faune de Flox Intelligence cible cette lacune. Elle promet une observation continue, une classification des espèces et une réponse ciblée dans une même unité de terrain. L’entreprise doit désormais démontrer que cette intégration améliore les résultats au-delà de certains essais sélectionnés.

La proposition de valeur dépasse également les collisions individuelles. Chaque rencontre enregistrée peut révéler les points d’entrée des animaux sur un site, les périodes de pic de déplacement et les interventions qui modifient les comportements. Les exploitants d’infrastructures pourraient utiliser ces tendances pour améliorer les clôtures, les horaires, les inspections et la gestion des habitats.

Cette couche de données pourrait à terme s’avérer aussi importante que le son lui-même. Un dispositif de dissuasion réagit à un animal, tandis qu’un historique cartographié peut influencer le fonctionnement d’un site entier. Flox cherche donc à s’intégrer à la planification de la sécurité, et pas seulement à se positionner à côté d’une piste.

Les sons spécifiques aux espèces constituent le mécanisme central

Le pari central de Flox est que la dissuasion de la faune s’améliore lorsqu’un appareil identifie l’animal avant de décider comment réagir.

Le système commence par un événement, et non par un flux vidéo continu vers le cloud. Un mouvement active la caméra et le modèle local. Le modèle classe ce qu’il voit, puis l’appareil choisit un signal audio associé à cette espèce.

La réponse peut inclure des signaux issus de la bioacoustique, l’étude de la manière dont les animaux produisent, reçoivent et réagissent aux sons. Flox associe ces signaux à la vision par ordinateur et aux observations comportementales. Son objectif est de guider un animal loin de la zone sans contact physique.

Cette séquence distingue la dissuasion adaptative de la faune d’une minuterie diffusant le même enregistrement. Un renard, une oie, un élan et un ours n’ont pas les mêmes priorités sensorielles. Ils ne réagissent pas non plus de façon identique lorsqu’ils se nourrissent, migrent, défendent leur territoire ou se déplacent avec leur progéniture.

Le contexte crée un problème technique exigeant. Une caméra doit reconnaître les animaux à différentes distances et sous différents angles, parfois sous la pluie, la neige, avec de l’éblouissement, dans l’obscurité ou parmi la végétation. Elle doit également éviter de confondre les personnes, les ombres, les véhicules et les plantes en mouvement avec la faune ciblée.

Le système doit ensuite apporter une réponse appropriée. Une classification incorrecte peut déclencher un son non pertinent. Une classification correcte peut tout de même ne produire aucun déplacement si l’animal est stressé, distrait ou déjà habitué à des signaux similaires.

Le moment de l’intervention compte également. Un avertissement transmis avant qu’un animal n’entre dans un corridor ferroviaire a davantage de valeur qu’un avertissement donné après l’arrivée d’un train. Flox annonce un temps de réponse inférieur à deux secondes, mais la sécurité réelle dépend de l’ensemble de la géométrie de détection et de déploiement.

Les preuves les plus solides à l’appui de cette technologie proviennent d’essais opérationnels spécifiques. Entre 2022 et 2024, Flox a travaillé avec l’exploitant aéroportuaire suédois Swedavia dans les aéroports de Malmö, Kiruna et Umeå.

Flox rapporte un taux de dissuasion de 100 % sur plus de 200 animaux lors de ces essais. La faune testée aurait inclus des oiseaux prédateurs, des oies, des renards et des ongulés. Les résultats de validation aéroportuaire proviennent de l’entreprise ; ils doivent donc être considérés comme des résultats rapportés par le fournisseur.

L’aéroport de Mora offre un exemple de déploiement plus long. Flox affirme que les pies, corneilles et autres animaux ont continué à éviter les zones protégées de la piste après six mois. L’aéroport a également signalé une moindre dépendance aux patrouilles manuelles et aux méthodes d’effarouchement improvisées.

Ces exemples indiquent qu’un son adaptatif peut fonctionner dans certaines conditions. Ils n’établissent pas un taux de performance indépendant pour l’ensemble des aéroports, espèces, saisons ou paysages. L’ampleur et la conception des études derrière chaque affirmation restent un contexte essentiel.

Les essais ferroviaires introduisent un modèle opérationnel différent. Flox et Alstom ont placé des caméras d’IA sur des trains afin d’observer la faune le long de plusieurs lignes suédoises. La première phase détectait les animaux, tandis qu’une seconde phase a ajouté la dissuasion sonore en avril 2026.

Les essais ferroviaires suédois ont identifié des élans, des chevreuils, des renards, des sangliers, des animaux d’élevage et des oiseaux. Alstom a indiqué que le système était particulièrement performant pour identifier les animaux d’élevage, les corneilles et les pigeons.

Les élans et les chevreuils ont nécessité davantage d’entraînement pour atteindre une précision d’identification comparable. Cet aveu est important, car il montre pourquoi les données de terrain sont essentielles. Les espèces présentant un risque sérieux de collision peuvent aussi figurer parmi les plus difficiles à reconnaître de manière fiable.

Flox affirme que ses modèles apprennent à partir de rencontres enregistrées et que leurs réponses varient afin d’éviter l’accoutumance. Pourtant, le terme « apprentissage » peut désigner plusieurs processus différents. Il peut s’agir de mises à jour périodiques des modèles, de séquences conçues de manière centralisée ou d’une adaptation automatisée au sein de chaque appareil.

Les opérateurs auront besoin de savoir clairement quelles décisions sont prises de façon autonome. Ils auront également besoin de contrôles régissant les mises à jour, l’examen des événements, les fausses alertes et les limites d’intervention. Les clients du secteur de la sécurité achètent rarement un algorithme sans acquérir également le processus de responsabilité qui l’entoure.

Le plan à plus long terme de l’entreprise consiste à étendre le logiciel aux trains, voitures, drones, tracteurs et robots d’extérieur. Cette évolution ferait passer Flox d’un système de dissuasion fixe à une couche de perception de la faune intégrée à des machines en mouvement.

Une telle couche pourrait avertir un conducteur, ajuster l’itinéraire d’une machine ou activer un dispositif de dissuasion. Toutefois, chaque action implique des exigences de sécurité différentes. Reconnaître un animal n’équivaut pas à contrôler un véhicule à proximité de celui-ci.

La dissuasion adaptative doit encore surpasser les alternatives établies

Flox n’est pas en concurrence avec l’inaction. Il doit faire mieux qu’une combinaison de barrières, d’interventions humaines, de modifications de l’habitat, de capteurs, de sons, de chiens et de prélèvements ciblés.

La FAA recommande une gestion intégrée de la faune plutôt que le recours à un seul dispositif. Les programmes aéroportuaires peuvent modifier les habitats, supprimer les sources de nourriture ou d’eau, éloigner les animaux, gérer la végétation, améliorer les clôtures et retirer la faune si nécessaire.

Un système sonore adaptatif s’inscrit dans ce cadre. Il ne supprime pas la nécessité d’inspections, de signalements, de travaux sur les habitats ou d’interventions d’urgence. Un déploiement responsable utiliserait Flox comme une couche supplémentaire, en comparant ses performances aux données existantes du site.

Plusieurs entreprises automatisent déjà certaines parties de ce processus. Le produit Scarecrow de Robin Radar identifie les oiseaux et diffuse des cris de détresse propres à chaque espèce. Il enregistre également l’activité afin que les opérateurs puissent examiner ce qui s’est passé.

iCHASE emprunte une autre voie. Son système utilise la vision par ordinateur pour détecter les oiseaux et dirige vers eux un laser mobile. La réponse varie selon la cible, offrant aux opérateurs un moyen de dissuasion visuel automatisé plutôt que centré sur le son.

Ces concurrents révèlent le véritable adversaire principal : les systèmes adaptatifs face à la dissuasion statique. Flox n’a pas besoin de prouver que le son est universellement supérieur aux lasers, au radar, aux chiens ou aux clôtures. Il doit démontrer que les réponses liées à la perception conservent leur efficacité plus longtemps que des signaux répétés et aveugles au contexte.

Son ambition de couvrir un éventail plus large d’espèces peut l’aider. Les systèmes aéroportuaires destinés aux oiseaux se concentrent souvent sur les menaces aériennes, tandis que Flox évoque des animaux allant des oies aux élans et aux grizzlis. Une plateforme multi-espèces pourrait servir des clients gérant plusieurs types d’infrastructures.

Cette étendue crée également des risques. Un modèle entraîné à distinguer les oiseaux autour d’un aéroport suédois ne se transférera pas nécessairement sans difficulté aux mammifères près d’une route australienne. Les différentes régions apportent de nouvelles espèces, de nouveaux comportements, contraintes juridiques, climats et environnements acoustiques.

Les faux négatifs constituent la préoccupation de sécurité la plus évidente. Un animal non détecté laisse le danger initial en place. Les faux positifs entraînent d’autres coûts, notamment des sons inutiles, des alertes distrayantes, une faune perturbée et une baisse de confiance des opérateurs.

La question du bien-être animal se pose également. Une dissuasion dite « humaine » ne peut être présumée simplement parce qu’un appareil évite le recours à la force létale. Le son peut affecter les animaux ciblés, les espèces non ciblées, les riverains et la communication entre les animaux.

Les opérateurs ont besoin de données sur l’intensité sonore, la durée d’exposition, la direction de la réaction et les déplacements involontaires. Éloigner un animal d’une piste est utile seulement si le système ne le pousse pas vers un autre danger.

L’accoutumance reste une autre incertitude. Flox affirme que des signaux variables empêchent les animaux d’apprendre que l’appareil ne représente aucune menace. Des données de long terme, examinées de manière indépendante, apporteraient des preuves plus solides que de courts essais ou des témoignages de clients.

L’affirmation de l’entreprise selon laquelle elle a atteint 100 percent de dissuasion auprès de plus de 200 animaux dans les aéroports semble impressionnante. Toutefois, ce chiffre ne révèle pas tous les dénominateurs dont un acheteur d’infrastructure a besoin.

Les acheteurs devraient demander comment un événement de dissuasion réussi a été défini. Ils devraient également demander combien de détections ont été manquées, combien de temps les animaux sont restés éloignés et si les performances variaient selon les espèces.

La météo et la maintenance influeront sur les résultats. Les batteries perdent de leur capacité, les lentilles se salissent, la végétation obstrue le champ de vision et les haut-parleurs se dégradent. Un appareil installé dans le cadre d’un pilote contrôlé peut recevoir davantage d’attention qu’un appareil parmi des milliers d’unités en production.

La cybersécurité et les procédures de mise à jour comptent également lorsque l’équipement intègre des infrastructures critiques. Les opérateurs doivent savoir qui peut modifier les modèles ou les bibliothèques sonores. Ils ont besoin de journaux indiquant ce que le système a détecté, sélectionné et transmis.

Le traitement local réduit la dépendance à la connectivité réseau, mais il n’élimine pas les risques logiciels. Les tableaux de bord de flotte, la distribution des modèles, les registres de conformité et les comptes clients créent toujours des composants connectés nécessitant une supervision.

L’exécution commerciale pourrait devenir la contrainte décisive. Flox souhaite passer d’environ 150 appareils à plusieurs milliers tout en assurant le matériel, les logiciels, le support terrain et des jeux de données propres à chaque espèce. Il s’agit d’un saut opérationnel considérable.

Le chiffre d’affaires attendu de l’entreprise en 2026 reste modeste par rapport à cette ambition. Le financement proposé de $10 million soutiendrait l’expansion, mais la levée de capitaux ne valide pas à elle seule la demande ou la fiabilité sur le terrain.

Flox doit démontrer une installation et un support reproductibles chez différents clients, et pas seulement une promesse technique. Les aéroports, les opérateurs ferroviaires et les organismes publics achètent souvent avec prudence, car les défaillances d’équipement peuvent avoir des conséquences en matière de sécurité et de réglementation.

La version la plus convaincante de l’argumentaire de l’entreprise n’exige pas que tous les opérateurs abandonnent les outils existants. Elle exige que Flox devienne la couche intelligente coordonnant où, quand et comment la dissuasion intervient.

Ce qui montrera si Flox peut passer à l’échelle

Trois signaux détermineront si l’IA dédiée à la faune de Flox Intelligence deviendra une infrastructure ou restera un ensemble prometteur d’essais sur le terrain.

Le premier signal sera constitué de données de performance indépendantes, ventilées par espèce. Les futurs rapports devraient distinguer la précision de détection du succès de la dissuasion. Ils devraient également montrer les détections manquées, les fausses alertes, les délais de retour, les variations saisonnières et les résultats par mauvais temps.

Ces éléments renforceraient le dossier de Flox si les performances restaient cohérentes sur plusieurs sites exploités indépendamment. De grands écarts entre les essais de l’entreprise et les évaluations contrôlées par les clients l’affaibliraient.

Le deuxième signal sera le résultat des travaux ferroviaires d’Alstom. Ce partenariat compte parce qu’il fait passer le logiciel d’unités fixes à des équipements traversant des paysages changeants. Le succès exige une reconnaissance rapide, une dissuasion appropriée et une intégration sûre aux opérations ferroviaires.

Il faudra surveiller si les partenaires publient des évolutions du nombre de collisions ou des réductions mesurables de la présence d’animaux sauvages à haut risque. Les seuls décomptes de détection montrent que des animaux sont présents. Ils ne montrent pas que la technologie prévient les accidents.

Le troisième signal sera la croissance des déploiements après la Series A proposée. Flox souhaite passer d’environ 150 appareils à plusieurs milliers. Des clients signés, des commandes répétées, des renouvellements et une adoption plus large par les OEM fourniraient des preuves commerciales plus solides que l’objectif de financement.

Le passage à l’échelle devrait aussi révéler si le modèle par abonnement fonctionne. Les clients doivent percevoir une valeur continue suffisante dans la surveillance, les mises à jour des modèles, les rapports et l’analytique pour renouveler après l’achat initial du matériel.

La vision plus large de l’entreprise mérite l’attention car elle dépasse la dissuasion. Nozkova soutient que les machines opérant en extérieur ont besoin d’une meilleure compréhension des environnements vivants. Dans cette perspective, la reconnaissance de la faune devient une composante supplémentaire de la pile de perception d’une machine.

Cette idée offre des applications dans les transports, l’agriculture, la conservation, les services publics, l’exploitation minière et la construction. Un train pourrait reconnaître des animaux avant une collision. Un tracteur pourrait éviter un nid, tandis qu’un drone pourrait modifier son itinéraire autour d’animaux sauvages protégés.

Néanmoins, chaque cas d’usage exige des preuves et des contrôles adaptés à ses conséquences. Un dispositif de dissuasion agricole, une unité de sécurité sur piste et un système de contrôle de véhicule ne peuvent pas relever d’une norme unique et indifférenciée. Le taux d’erreur acceptable change selon le préjudice potentiel.

Pour les développeurs, la leçon intéressante est que l’IA embarquée implique de plus en plus le comportement, le timing et le contexte, plutôt que la seule classification. Une étiquette correcte a une valeur limitée si le système choisit ensuite la mauvaise action.

Pour les acheteurs d’infrastructures, la question pratique est plus directe. Le système réduit-il les incidents, le temps de patrouille, les retards et les dommages causés aux animaux sur plusieurs saisons ? L’activité du tableau de bord et les totaux de détection sont des indicateurs complémentaires, pas des résultats finaux.

Pour les équipes de conservation, le défi consiste à mesurer où vont les animaux déplacés. Une intervention efficace devrait protéger la faune sans simplement déplacer le conflit au-delà de la limite surveillée.

L’IA dédiée à la faune de Flox Intelligence dispose désormais d’un historique de déploiement suffisant pour mériter une attention sérieuse, mais pas d’assez de preuves publiques pour trancher ces questions. Sa prochaine phase testera si la dissuasion adaptative fonctionne à travers les espèces, les climats et les opérations des clients.

L’action la plus utile pour les acheteurs potentiels est d’exiger des pilotes fondés sur les résultats, avec des références claires. Suivez les collisions, les incursions, les fausses alertes, les visites répétées, la maintenance et les effets sur les espèces non ciblées avant et après l’installation.

Si Flox publie ces résultats et transforme les essais en renouvellements, l’entreprise étayera une affirmation plus large sur l’IA en extérieur. Si les preuves restent limitées à des récits de réussite sélectionnés, la dissuasion adaptative de la faune restera un mécanisme attrayant sans norme d’infrastructure éprouvée.