Une étude Verkada révèle le déficit d’adoption de l’IA dans la sécurité physique

Verkada a mis en lumière un conflit saisissant dans le cycle de l’actualité google news : les responsables de la sécurité s’attendent à ce que l’IA transforme leur travail, mais son adoption reste inégale et prudente.

Ce titre reflète une évolution plus large dans l’ensemble de la sécurité physique. Les fournisseurs dépassent la simple vidéo enregistrée pour proposer des systèmes qui identifient les événements, hiérarchisent les alertes, reconstituent les incidents et déclenchent des réponses. Les acheteurs, eux, ont encore besoin de preuves que ces outils sont précis, gouvernables et compatibles avec leurs opérations existantes.

Cet écart met Verkada et les autres fournisseurs de plateformes sous pression. Ils doivent transformer l’intérêt pour l’IA en usage quotidien sans minimiser les préoccupations liées à la vie privée, à la cybersécurité, aux fausses alertes ou à la dépendance envers un fournisseur. Genetec, Ambient.ai et les fournisseurs historiques de gestion vidéo défendent des approches concurrentes quant à la manière dont cette transition devrait se dérouler.

L’information ne se résume donc pas au fait que les équipes de sécurité souhaitent utiliser l’IA. Elles manifestent cet intérêt depuis des années. Le véritable sujet est que les attentes progressent plus vite que de nombreuses organisations ne peuvent repenser leurs flux de travail, leurs politiques et leurs structures de responsabilité.

Ce que le titre Verkada dans Google News change réellement

L’attention récente déplace le débat de l’importance de l’IA vers la capacité des équipes de sécurité à l’utiliser de manière fiable au quotidien.

La liste google news originale renvoie les lecteurs vers des articles consacrés à une étude Verkada et à un déficit d’adoption de l’IA. Google News est un agrégateur ; son titre constitue donc un signal de découverte plutôt qu’une preuve primaire. Les documents de l’enquête sous-jacente comptent davantage que la liste elle-même.

Verkada a par ailleurs fait la promotion d’un événement intitulé « AI in Physical Security: What 2,700 Leaders Say Is Delivering Now and What’s Next ». Son webinaire sur la sécurité par l’IA était programmé pour le 30 juillet 2026 et présentait la discussion autour des résultats actuels recueillis auprès de milliers de dirigeants.

Ce cadrage est important, mais la page publique du webinaire fournit peu d’éléments méthodologiques. Elle n’identifie ni la répartition géographique des répondants, ni la taille de leurs organisations, ni leurs fonctions, ni les questions exactes de l’enquête. Ces détails influencent la mesure dans laquelle les lecteurs peuvent généraliser les conclusions.

Une étude Verkada antérieure fournit une référence documentée. L’entreprise a chargé The Harris Poll d’interroger 1 518 responsables de l’informatique et de la sécurité physique pour son rapport 2024 State of Cloud Physical Security.

Selon l’étude sur la sécurité cloud, 92 % des répondants estimaient que l’avenir de la sécurité physique se trouvait dans le cloud. Parmi les organisations n’ayant pas encore totalement achevé leur transition, 86 % prévoyaient d’évoluer vers un déploiement dans le cloud.

La même étude a révélé que 75 % des répondants prévoyaient d’effectuer une transition vers le cloud dans les 12 mois. Quatre-vingt-seize pour cent comptaient le faire dans les 18 mois. Ces intentions témoignaient d’un fort enthousiasme pour la modernisation.

Toutefois, les intentions d’achat ne se transforment pas automatiquement en déploiements achevés. La migration vers le cloud peut nécessiter le remplacement de caméras, des changements réseau, l’intégration de systèmes d’identité, une planification de la conservation des données, la formation du personnel et de nouvelles procédures de réponse aux incidents.

Le rapport 2024 a également révélé que 82 % des répondants s’attendaient à ce que l’analyse vidéo fondée sur l’IA ait un impact modéré ou majeur sur la sécurité physique. Ce résultat mesurait un impact anticipé, et non une adoption opérationnelle vérifiée.

Cette distinction est au cœur du sujet actuel. Un responsable peut croire que l’IA aura de l’importance sans lui faire suffisamment confiance pour générer des alarmes, identifier des personnes ou déclencher une intervention.

Les équipes de sécurité utilisent également le terme « IA » pour désigner des capacités différentes. La classification élémentaire des mouvements, la reconnaissance des plaques d’immatriculation, la recherche vidéo en langage naturel, l’analyse prédictive et la réponse autonome présentent des risques très différents.

Une équipe qui utilise la détection d’objets pour filtrer des vidéos enregistrées n’a pas nécessairement adopté l’IA pour la prise de décision en temps réel. De même, un essai sur un seul site ne constitue pas un déploiement à l’échelle de l’organisation.

La récente discussion autour de Verkada offre donc un test de résistance utile. Les fournisseurs doivent définir ce qui constitue une adoption et distinguer les expérimentations de l’usage en production.

Les clients ont besoin de davantage qu’un inventaire de fonctionnalités. Ils ont besoin d’éléments démontrant si l’IA améliore la détection, réduit le temps d’enquête, limite les fausses alertes et soutient des décisions défendables dans des conditions opérationnelles réelles.

Sans ces définitions, une vaste enquête peut produire un titre spectaculaire sur le déficit d’adoption sans révéler où la mise en œuvre se bloque réellement. Le manque de détails n’est pas une raison d’écarter cette conclusion. C’est une raison de l’examiner attentivement.

Les responsables de la sécurité veulent l’IA avant que leurs opérations soient prêtes

Le déficit d’adoption dans la sécurité physique est avant tout un problème opérationnel, et non un manque d’algorithmes disponibles.

Les environnements de sécurité modernes génèrent davantage d’informations que les opérateurs ne peuvent en examiner en continu. Les caméras, contrôleurs de portes, alarmes, interphones, capteurs environnementaux et systèmes de gestion des visiteurs produisent chacun des flux d’activité distincts.

L’IA promet de filtrer ces flux. Elle peut signaler une personne entrant dans une zone restreinte, prioriser des mouvements inhabituels, relier un événement d’accès à une vidéo ou retrouver des séquences correspondantes sur plusieurs caméras.

Ces capacités répondent à une contrainte réelle. Les opérateurs humains ne peuvent accorder la même attention à chaque caméra ou alarme. L’objectif pratique consiste à orienter leur attention vers les événements qui nécessitent un jugement.

Pourtant, un algorithme qui identifie un événement n’est qu’un élément d’un processus de sécurité. Les organisations doivent décider qui reçoit l’alerte, dans quels délais elles réagissent et quelles preuves elles conservent.

Elles ont aussi besoin de règles d’escalade. Une personne détectée près d’une zone de chargement peut signaler un vol, un employé autorisé, un prestataire ou une simple erreur de classification.

Si les équipes ne repensent pas leurs flux de travail autour de ces possibilités, l’IA ne fait que produire une file d’attente supplémentaire. La technologie augmente le volume de signaux sans améliorer la décision finale.

Le problème se complique sur plusieurs sites. Un détaillant, un réseau hospitalier, un système scolaire ou un fabricant peut présenter des effectifs, configurations, risques et obligations légales différents sur chaque site.

Un modèle qui fonctionne correctement dans un hall d’entrée contrôlé peut rencontrer des difficultés sur un parking très fréquenté. L’éclairage, la météo, le positionnement des caméras, les uniformes et les plans d’aménagement évolutifs peuvent affecter les résultats.

Les responsables de la sécurité doivent donc évaluer les systèmes dans leur contexte. La précision annoncée par un fournisseur ne garantit pas la même précision dans chaque environnement client.

La répartition des responsabilités au sein de l’organisation peut être tout aussi floue. La sécurité physique peut sélectionner les caméras, tandis que l’informatique gère les réseaux et les systèmes d’identité. Les équipes juridiques et de protection de la vie privée peuvent déterminer les usages acceptables de l’analyse faciale ou comportementale.

Les ressources humaines peuvent également intervenir lorsque l’analyse vidéo affecte des enquêtes sur le lieu de travail ou la surveillance des employés. Les achats doivent alors évaluer le traitement des données, les contrôles contractuels et la viabilité à long terme du fournisseur.

Cela crée un parcours d’approbation plus lent qu’un simple essai logiciel. L’IA de sécurité physique observe de vraies personnes dans de vrais lieux, souvent sans que ces personnes puissent choisir de s’y soustraire.

Les conséquences peuvent également être immédiates. Un résumé de document erroné peut être corrigé plus tard. Une escalade de sécurité erronée peut interrompre le travail, impliquer les forces de l’ordre ou attirer injustement l’attention sur une personne.

Cette différence explique pourquoi l’enthousiasme et la mise en œuvre peuvent coexister à des niveaux très différents. Les responsables de la sécurité perçoivent une valeur claire, mais ils portent aussi la responsabilité des erreurs.

La transition vers le cloud ajoute une autre dépendance. Les fonctionnalités d’IA fonctionnent souvent mieux lorsque les appareils, les métadonnées, les dossiers d’identité et les outils de gestion partagent une plateforme commune.

Le modèle de Verkada met l’accent sur un système intégré géré dans le cloud. L’entreprise réunit la vidéosurveillance, le contrôle d’accès, les alarmes, les interphones, les capteurs et la gestion des visiteurs au sein de sa plateforme Command.

L’intégration peut réduire le travail nécessaire pour relier une alarme aux séquences pertinentes. Elle peut également donner à un seul fournisseur un rôle plus important dans l’architecture de sécurité d’un client.

Pour les acheteurs, cela représente à la fois un avantage et une source de prudence. Un système unifié peut simplifier les opérations, mais la migration et le changement de fournisseur deviennent plus conséquents.

C’est pourquoi le déficit d’adoption ne peut être comblé en ajoutant un nouveau bouton IA. Les organisations ont besoin de gouvernance, d’une planification de l’intégration, d’une formation des opérateurs et de critères d’acceptation mesurables.

Ces exigences ralentissent le déploiement, mais elles protègent aussi l’organisation contre l’extension à grande échelle d’un processus peu fiable. En sécurité physique, une adoption réfléchie n’est pas nécessairement une adoption ratée.

Le principal conflit oppose l’ambition des fournisseurs à la confiance des acheteurs

Verkada vend un modèle de sécurité plus proactif, tandis que les acheteurs ont encore besoin de contrôler la manière dont les machines influencent les réponses humaines.

Historiquement, les plateformes de sécurité physique aidaient les organisations à enregistrer des événements et à les examiner après coup. Les fournisseurs d’IA soutiennent désormais que les systèmes peuvent détecter les risques plus tôt et coordonner les actions avant qu’un incident ne s’aggrave.

Verkada a décrit cette orientation comme une transition de la surveillance réactive vers une sécurité proactive. Sa stratégie produit comprend la recherche vidéo en langage naturel, l’alerte connectée, des outils de dissuasion et des chronologies d’incidents unifiées.

La recherche en langage naturel permet à un opérateur de décrire une personne, un véhicule ou un événement avec des mots ordinaires. Le système tente ensuite de localiser les séquences correspondantes sans obliger l’utilisateur à examiner manuellement chaque caméra.

Une chronologie unifiée rassemble les séquences liées dans l’ordre chronologique. Cela peut réduire le travail manuel nécessaire pour reconstituer les déplacements à travers plusieurs caméras.

La dissuasion alimentée par l’IA va plus loin. Elle relie la détection à une intervention, telle qu’un avertissement audio ou une autre réponse configurée. Cela réduit la distance entre la classification et l’action.

Chaque étape apporte une valeur opérationnelle, mais chacune augmente aussi le coût d’une erreur. Un mauvais résultat de recherche fait perdre du temps. Une mauvaise réponse automatisée peut affecter immédiatement une personne.

Cette progression fait de la confiance l’exigence produit décisive. Les acheteurs doivent comprendre ce que le système détecte, comment il hiérarchise le niveau de confiance et dans quels cas les humains conservent l’autorité.

Verkada n’est pas seul à poursuivre ce marché. Le rapport 2026 State of Physical Security de Genetec a recueilli les réponses de 7 368 professionnels répartis dans six régions du monde.

L’entreprise a constaté que l’intérêt des utilisateurs finaux pour l’adoption de l’IA avait plus que doublé par rapport à l’année précédente. L’IA figurait également, aux côtés du contrôle d’accès et de la vidéosurveillance, parmi les principales priorités de projet.

Dans le même temps, 70 % des répondants ont exprimé des préoccupations quant à la conception et à la mise en œuvre des systèmes d’IA. Ils ont notamment soulevé des questions sur l’usage des données et la compréhension du fonctionnement de l’IA.

Ces résultats d’enquête mondiaux renforcent la tension derrière le titre Verkada. La demande augmente, mais les inquiétudes ne disparaissent pas à mesure que les produits s’améliorent.

Genetec a également indiqué que plus de 70 % des répondants utilisaient des systèmes unifiés ou intégrés. Soixante pour cent ont identifié l’intégration de nouvelles capacités comme leur principale raison de remplacer les technologies héritées.

Ces données suggèrent que les acheteurs souhaitent effectivement une consolidation. Elles ne signifient pas que chaque organisation veut une architecture exclusivement cloud ou qu’un seul fournisseur contrôle chaque couche.

Genetec met l’accent sur des déploiements flexibles couvrant des environnements sur site, cloud et hybrides. L’identité de Verkada est plus étroitement liée à du matériel et des logiciels gérés dans le cloud qui fonctionnent ensemble.

Cela crée un choix stratégique important. Une voie privilégie une plateforme fournisseur étroitement intégrée. L’autre privilégie la flexibilité architecturale et des modèles de déploiement mixtes.

Aucune des deux approches n’élimine les enjeux de gouvernance de l’IA. Un système ouvert ou hybride peut introduire de la complexité d’intégration. Une plateforme cloud unifiée peut accroître les préoccupations de concentration et de réversibilité.

Les acheteurs doivent décider quels risques leur sont les plus faciles à gérer. Une petite équipe peut privilégier une console unique et des mises à jour automatiques. Une entreprise réglementée peut exiger davantage de contrôle sur la localisation des données et les frontières du système.

La confiance à long terme dépasse également la précision des modèles. Genetec a constaté que 73 % des utilisateurs finaux considéraient la stabilité du fournisseur comme importante lors de l’évaluation des solutions.

Les indicateurs de performance produit et de prix suivaient, à 45 % et 43 %. Ce classement reflète la durée de vie des infrastructures de sécurité physique.

Les caméras et systèmes d’accès ne sont pas des applications jetables. Les organisations s’attendent à ce qu’ils fonctionnent pendant des années, s’intègrent aux processus du bâtiment et restent pris en charge malgré les évolutions des politiques et des technologies.

L’IA complique cette attente, car les modèles et services cloud peuvent évoluer plus vite que le matériel installé. Les clients doivent savoir quelles fonctions s’exécutent localement, lesquelles nécessitent un traitement dans le cloud, et ce qui se passe lorsque les services changent.

Ils ont également besoin de possibilités d’exportation pour les images, les historiques d’événements et les données d’identité. Une plateforme de sécurité devient difficile à remplacer lorsque les opérations dépendent de ses flux de travail propriétaires.

La principale confrontation n’oppose donc pas Verkada à un concurrent nommé. Elle oppose la promesse des fournisseurs d’une automatisation proactive à l’exigence des acheteurs d’un contrôle responsable.

Les fournisseurs qui considèrent la prudence comme une simple résistance comprendront mal le marché. Les acheteurs ne demandent pas seulement si l’IA fonctionne. Ils demandent s’ils peuvent justifier son utilisation.

Ce que les chiffres d’adoption ne prouvent toujours pas

L’enthousiasme exprimé dans les enquêtes ne peut pas établir l’exactitude, la sécurité ou la valeur commerciale sans méthodologie claire ni preuves opérationnelles indépendantes.

Le titre de Google News donne une visibilité publique au fossé d’adoption, mais il ne résout pas plusieurs questions fondamentales de mesure.

Premièrement, le terme « adoption » nécessite un seuil. Signifie-t-il l’achat d’une caméra dotée d’IA, l’activation d’une fonctionnalité analytique, la conduite d’un pilote, ou l’utilisation de l’IA sur tous les sites ?

Une définition généreuse peut faire paraître l’adoption élevée. Une définition stricte fondée sur la production peut faire paraître le même marché encore immature.

Deuxièmement, l’adoption ne mesure pas la fréquence. Une entreprise peut utiliser la recherche en langage naturel lors d’enquêtes rares tout en laissant la détection en temps réel désactivée.

Troisièmement, l’adoption ne mesure pas la qualité des résultats. Une organisation peut déployer l’IA sans réduire les incidents, les temps de réponse, les fausses alertes ou la charge de travail liée aux enquêtes.

Quatrièmement, les répondants à une enquête peuvent ne pas savoir quelles fonctionnalités utilisent l’apprentissage automatique. L’IA peut opérer dans des filtres de mouvement, des outils de recherche, la mise en correspondance d’identités ou la priorisation des alertes sans apparaître comme un produit distinct.

Cette incertitude est apparue dans des études sectorielles antérieures. Une enquête Pro-Vigil de 2024 portait sur des dirigeants de secteurs comprenant la construction, le commerce de détail, la fabrication, les services publics et les concessions automobiles.

Seuls 6 % des répondants ont déclaré savoir que leur stratégie de sécurité utilisait l’IA. Soixante et onze pour cent ont répondu que ce n’était pas le cas, tandis que 23 % n’en étaient pas sûrs.

L’étude a également révélé que 57 % ne savaient pas si l’IA pouvait contribuer à empêcher des incidents de sécurité physique. Ces résultats d’adoption ont montré combien une sensibilisation limitée peut fausser les usages déclarés.

Cette enquête provenait d’un fournisseur de sécurité ayant un intérêt commercial dans une adoption plus large. Verkada et d’autres fournisseurs bénéficient également lorsque leurs études soutiennent la modernisation.

Le parrainage commercial n’invalide pas une étude. Il rend toutefois la méthodologie, la formulation des questions et les tableaux de données complets particulièrement importants.

Les lecteurs doivent donc distinguer trois types de preuves. Les enquêtes de fournisseurs mesurent les attitudes déclarées. La télémétrie produit mesure l’utilisation réelle des fonctionnalités. Les études opérationnelles contrôlées mesurent les résultats.

Une affirmation crédible sur l’adoption doit expliquer à quelle catégorie elle correspond. Les combiner peut faire paraître une transition du marché plus aboutie qu’elle ne l’est.

La validation indépendante est particulièrement importante pour les capacités à fortes conséquences. La mise en correspondance faciale, la détection d’armes, l’analyse comportementale et l’escalade automatisée nécessitent des tests rigoureux dans des conditions réalistes.

Les faux négatifs peuvent laisser une menace non détectée. Les faux positifs peuvent submerger les opérateurs ou déclencher des interventions inutiles.

Les performances peuvent également varier selon les groupes démographiques, les environnements et les configurations de caméras. Un pourcentage de précision unique peut masquer ces différences.

La confidentialité introduit une autre dimension non résolue. L’IA de sécurité physique peut déduire des schémas concernant les employés, les visiteurs, les clients, les étudiants, les patients ou les résidents.

Une organisation peut commencer par la surveillance de la sécurité, puis utiliser les mêmes données pour analyser la productivité. Cette extension modifie la finalité de la collecte et les attentes qui l’entourent.

La gouvernance devrait préciser qui peut rechercher des vidéos, quels attributs sont consultables, combien de temps les métadonnées restent disponibles, et à quel moment les informations peuvent être partagées.

Le cadre de gestion des risques liés à l’IA du National Institute of Standards and Technology offre une structure générale pour gouverner, cartographier, mesurer et gérer les risques liés à l’IA.

Il ne s’agit pas d’une certification produit et il ne prescrit pas une architecture unique de sécurité physique. Il offre toutefois aux acheteurs un meilleur point de départ que la seule description des fonctionnalités par un fournisseur.

La cybersécurité est une autre raison de faire preuve de prudence. Les caméras connectées à Internet et les systèmes d’accès se situent à la frontière entre les réseaux numériques et les espaces physiques.

Une compromission peut exposer des images, des commandes d’appareils, des informations d’identité ou des flux de travail d’accès aux bâtiments. La gestion centralisée peut améliorer l’application des correctifs, mais elle crée également une cible de valeur.

Les acheteurs devraient examiner le chiffrement, l’authentification, la journalisation administrative, les mises à jour logicielles, la réponse aux vulnérabilités et les tests réalisés par des tiers. Les performances de l’IA ne peuvent pas compenser une sécurité de plateforme insuffisante.

Les organisations doivent également se préparer aux changements de modèle. Un fournisseur peut améliorer ou remplacer un modèle analytique par une mise à jour logicielle.

Cette mise à jour pourrait modifier le volume d’alertes ou le comportement de classification. Les équipes de sécurité ont besoin d’informations de version, de procédures de test et de moyens de surveiller les changements inattendus.

L’interprétation sceptique n’est pas que l’IA manque de valeur. Les preuves montrent une forte demande et de nombreuses utilisations pratiques.

L’incertitude porte sur la vitesse à laquelle ces utilisations peuvent devenir des processus institutionnels fiables. Un produit peut être techniquement capable avant qu’une organisation ne soit opérationnellement prête.

C’est le fossé d’adoption que le secteur doit mesurer. Il se situe entre l’activation d’une fonctionnalité et l’acceptation de la responsabilité des décisions qui s’ensuivent.

L’IA de sécurité physique passe de la recherche à la réponse

La prochaine phase reliera les observations générées par l’IA à des actions, rendant la gouvernance plus importante que le nombre de fonctionnalités.

Les premières analyses vidéo se concentraient souvent sur la détection de mouvement, la classification d’objets ou les recherches dans les enregistrements. Ces usages aidaient les opérateurs à trouver des éléments pertinents après un événement.

Les systèmes plus récents combinent la vidéo avec les registres d’accès, les signaux d’alarme, les interphones et les données environnementales. Cela permet à un opérateur d’enquêter sur un événement unique à travers plusieurs systèmes.

La valeur est facile à percevoir dans une entreprise multisite. Une ouverture de porte inhabituelle peut être reliée à une vidéo, aux mouvements d’une personne et aux alarmes qui suivent.

Un opérateur peut alors examiner une séquence connectée au lieu de basculer entre plusieurs consoles. L’IA peut aider à classer les preuves par priorité et à réduire le temps consacré à les assembler.

Le commerce de détail offre un autre cas pratique. Les équipes peuvent enquêter sur l’activité hors horaires d’ouverture, les événements dans les zones de chargement, les vols présumés ou les mouvements inhabituels dans plusieurs magasins.

Les sites de fabrication peuvent surveiller les zones restreintes, les équipements de sécurité, les mouvements de véhicules ou les conditions environnementales. Les écoles peuvent utiliser des alertes connectées pour évaluer les événements aux entrées et dans les espaces communs.

Les environnements de santé imposent des contraintes différentes. Les équipes de sécurité peuvent avoir besoin de reconstituer rapidement un incident tout en protégeant la confidentialité des patients et en limitant l’accès aux images sensibles.

Ces exemples montrent pourquoi les fournisseurs recherchent des plateformes unifiées. Plus les signaux contextuels disponibles sont nombreux, plus un résultat analytique peut devenir utile.

Ils montrent également pourquoi le déploiement est difficile. Un système utile nécessite des données exactes, une nomenclature cohérente, des horloges fiables, un positionnement approprié des caméras et des intervenants clairement désignés.

L’orientation de la technologie évolue de l’observation vers l’orchestration. Un système d’IA ne se contente pas d’identifier un événement. Il propose ou déclenche l’étape suivante.

Les prévisions 2026 de Verkada décrivaient l’IA agentique comme un partenaire actif pour les opérateurs. L’IA agentique désigne des systèmes conçus pour poursuivre un objectif à travers plusieurs actions, plutôt que de produire une prédiction isolée.

Dans la sécurité, cela pourrait impliquer l’identification d’un événement, la collecte des images associées, la notification d’un opérateur et la recommandation d’une voie d’escalade.

Le terme porte davantage d’ambition que de preuves établies. Les organisations devraient considérer chaque action comme un point de contrôle distinct.

Un modèle qui localise de manière fiable des images n’est pas automatiquement qualifié pour décider s’il faut contacter la police. La seconde tâche implique des politiques, du contexte et des conséquences qui dépassent la classification visuelle.

L’examen humain reste donc essentiel, mais l’expression « humain dans la boucle » nécessite une signification précise. Un opérateur distrait qui approuve des dizaines de recommandations assure peu de supervision substantielle.

Les équipes doivent savoir quelles informations l’opérateur voit, de combien de temps il dispose, et si l’interface encourage un jugement indépendant.

Elles devraient également mesurer le biais d’automatisation, c’est-à-dire la tendance à s’en remettre à une recommandation générée par une machine. Un langage d’interface exprimant une forte confiance peut influencer les opérateurs même lorsque le modèle sous-jacent demeure incertain.

La formation doit inclure les échecs, et non seulement des démonstrations idéales. Les opérateurs devraient s’entraîner à gérer des détections ambiguës, un contexte manquant, des signaux contradictoires et des pannes système.

Les organisations ont également besoin de procédures de repli. La sécurité physique ne peut pas s’arrêter lorsqu’une connexion cloud ou un service d’IA devient indisponible.

Un déploiement mature devrait définir quels appareils continuent à fonctionner localement, quelles alertes restent disponibles et comment les équipes enquêtent sur les incidents lors d’une interruption.

Ces exigences façonneront le marché concurrentiel. Les fournisseurs qui proposent des contrôles clairs, des pistes d’audit, des outils de test et des modes de repli progressifs peuvent réduire les frictions d’adoption.

Ces capacités pourraient s’avérer plus importantes qu’une fonctionnalité supplémentaire faisant les gros titres. Les responsables de la sécurité ont besoin de systèmes qui restent compréhensibles lors d’événements stressants.

L’adoption de l’IA dépendra également de la collaboration dans les achats. La sécurité physique, l’informatique, la cybersécurité, la confidentialité, le juridique et les opérations de terrain devraient participer avant le déploiement.

Ce processus prend plus de temps qu’un achat départemental. Il réduit également le risque qu’un pilote techniquement réussi échoue lors d’un examen à l’échelle de l’organisation.

Le marché entre dans une phase où la qualité de l’intégration distinguera les démonstrations des systèmes durables. Les outils de recherche ont fait découvrir à de nombreuses équipes la valeur de l’IA.

L’automatisation des réponses déterminera si ces équipes font confiance à l’IA pour un travail aux conséquences plus importantes. Cette transition sera plus lente, plus réglementée et plus révélatrice.

Trois signaux montreront si le fossé se referme

Les preuves les plus solides viendront d’une méthodologie transparente, d’une utilisation soutenue des fonctionnalités et de résultats opérationnels mesurés indépendamment.

Le premier signal sera la publication complète de la méthodologie et des résultats de la nouvelle étude de Verkada. Le secteur a besoin de plus que le titre évoquant 2 700 dirigeants.

Un rapport utile identifierait les fonctions des répondants, les régions, les secteurs, la taille des entreprises et les types de déploiement. Il publierait les questions utilisées pour définir l’adoption de l’IA.

Le rapport devrait également distinguer les projets pilotes des déploiements en production. Il devrait différencier la recherche a posteriori de la détection en temps réel et de la réponse automatisée.

Si Verkada publie ces précisions, l’affirmation d’un écart d’adoption deviendra plus facile à évaluer et à comparer. Si elle reste limitée à des statistiques de premier plan, l’incertitude quant à la maturité du marché persistera.

Le deuxième signal réside dans les preuves que les clients maintiennent les fonctionnalités d’IA actives après les essais initiaux. L’utilisation durable compte davantage que l’activation.

Les fournisseurs devraient publier des indicateurs anonymisés tels que l’utilisation répétée, le traitement des alertes, l’achèvement des enquêtes et les interventions humaines. Ces chiffres exigent une protection rigoureuse de la vie privée et des définitions cohérentes.

Les études de cas clients peuvent être utiles, mais elles devraient inclure les conditions de référence. Affirmer que les enquêtes sont devenues plus rapides ne signifie pas grand-chose sans expliquer le processus précédent et l’intervalle mesuré.

Des preuves issues de plusieurs secteurs seraient plus solides que celles d’un unique client idéal. Le commerce de détail, l’éducation, l’industrie manufacturière, la santé et le secteur public imposent des exigences différentes.

Si l’utilisation opérationnelle répétée s’étend à ces environnements, l’écart entre l’ambition des fournisseurs et la confiance des acheteurs se réduit. Si l’usage reste concentré sur la recherche et les projets pilotes, cet écart demeure important.

Le troisième signal concerne la réaction des concurrents et des acheteurs attachés aux normes. Genetec fait déjà état d’un intérêt croissant pour l’IA, parallèlement aux préoccupations exprimées par 70 % des utilisateurs finaux interrogés.

Il faut observer si les fournisseurs rivalisent sur l’explicabilité, la flexibilité de déploiement, les contrôles d’audit et les performances documentées des modèles. Ces domaines indiquent que les préoccupations des acheteurs influencent la conception des produits.

Il convient également de surveiller les grands documents d’appel d’offres et les déploiements réglementés. Les exigences en matière de journalisation, de localisation des données, de tests, d’approbation humaine et de fonctionnement de secours révèlent ce que les clients sérieux considèrent comme non négociable.

Une évolution vers des évaluations indépendantes renforcerait la confiance. Les enquêtes financées par les fournisseurs sont utiles pour identifier les questions, mais les tests menés par des tiers sont mieux adaptés à la validation des réponses.

Les un à trois prochains mois devraient donc produire davantage que de nouvelles annonces sur l’IA. Les évolutions significatives expliqueront comment les systèmes se comportent après leur déploiement.

Les responsables de la sécurité qui évaluent l’article de google news devraient poser des questions directes. Quel flux de travail précis l’IA améliore-t-elle ? Quelle décision reste humaine ? Comment les erreurs sont-elles mesurées ?

Ils devraient demander quelles données quittent le site, combien de temps les métadonnées dérivées restent disponibles et si le comportement du système évolue après les mises à jour.

Ils devraient également définir le succès avant le début d’un projet pilote. Parmi les mesures utiles figurent la durée des enquêtes, le taux d’alertes vérifiées, la charge de travail des opérateurs, la précision des escalades et la disponibilité du service.

Un projet pilote devrait inclure des conditions difficiles et des cas d’échec connus. Il devrait tester le lieu prévu plutôt que de s’appuyer exclusivement sur une démonstration préparée.

Surtout, les organisations devraient éviter de considérer la prudence et l’adoption comme des opposés. Une gouvernance rigoureuse peut favoriser un usage plus large en clarifiant les responsabilités.

Le titre de l’étude Verkada illustre une véritable tension du marché, même si ses dernières informations publiques restent limitées. Les capacités d’IA deviennent plus faciles à acheter qu’à institutionnaliser.

Les gagnants ne seront pas déterminés uniquement par ceux qui livrent le plus de fonctionnalités. Ils le seront par ceux qui rendent ces fonctionnalités mesurables, contrôlables et fiables.

C’est la norme que les lecteurs devraient appliquer lorsque la prochaine affirmation sur l’IA appliquée à la sécurité physique apparaîtra dans google news. Demandez la méthodologie, examinez le flux de travail et mesurez le résultat avant d’étendre le système.