Archéologie lidar agentique : 5 mythes testés
Un pipeline d'agents IA a repéré un site maya dans des données lidar en une nuit. Nous testons 5 mythes de l'archéologie lidar agentique et ce que fait vraiment la boucle de vérification.

Quarante-huit agents IA ont scanné 1 200 km² de jungle en lidar pendant la nuit et ont signalé un centre civique maya absent du registre archéologique officiel du Mexique. Puis la partie gênante est arrivée : il s'est avéré que des archéologues avaient déjà cartographié ce site exact dans un article de 2025, et les agents, ainsi que leur humain, l'avaient raté lors de la recherche bibliographique. Cette histoire, en miniature, résume tout ce qu'il faut savoir sur l'archéologie lidar agentique : le pipeline de découverte fonctionne vraiment, et la boucle de vérification ne fonctionne pas vraiment, à moins de la construire correctement.
Je passe des années à construire des pipelines de ML où le coût d'un faux positif était un ingénieur réveillé en pleine nuit, pas un site archéologique mal signalé. Je vais donc reprendre les cinq croyances que je vois sans cesse à propos de ce type de pipeline de découverte agentique et les tester une à une face à ce qui s'est réellement passé.
Mythe 1 : il faut un modèle entraîné sur mesure pour trouver des ruines
Le détail le plus surprenant de toute l'histoire : aucun modèle spécial n'était impliqué. Pas de CNN entraîné sur des tuiles de pyramides étiquetées, pas de détecteur affiné. Le pipeline a converti les bandes lidar en images de type ombrage (hillshade), puis des agents vision-langage généralistes les ont examinées une à une, en suivant un guide écrit décrivant à quoi ressemblent les pyramides, les plateformes et les places, par opposition aux collines, dolines et routes.
Ça fonctionne parce que les modèles de vision de pointe ont absorbé une somme considérable de connaissances visuelles a priori. Une place aplanie aux bords droits sous la canopée est un problème de détection d'anomalies, et les VLM modernes sont de bons détecteurs d'anomalies quand on leur fournit des entrées propres et rendues. L'astuce n'est pas le modèle, c'est le rendu. Les nuages de points lidar sont inutilisables tels quels pour un modèle de vision ; il faut les convertir en quelque chose de lisible : modèles numériques de terrain, ombrages avec plusieurs angles de soleil, cartes de pente. Avec la bonne visualisation, un modèle généraliste devient un géomètre étonnamment compétent.
Cela dit, c'est une frontière que je défendrai avec des réserves. Pour du travail de production à grand volume, un classifieur spécialisé reste plus avantageux en coût et en cohérence ; nous avons déjà abordé ce compromis dans CNN spécialisés contre LLM de pointe pour la classification d'images. Lancer 48 sessions d'agents sur plus d'un millier de tuiles d'images coûte cher et n'est pas déterministe. Mais pour l'exploration, où l'on génère des hypothèses plutôt que l'on exploite un service ? L'approche généraliste avec un bon prompt est pragmatiquement correcte, et elle ne coûte rien en données d'entraînement étiquetées, qui, pour une archéologie de niche, n'existent quasiment pas de toute façon.
Verdict : réfuté, avec un astérisque. Vous n'avez pas besoin d'un modèle sur mesure pour générer des candidats. Vous en voudrez probablement un si cela devient une opération répétée et à grande échelle.
Mythe 2 : ce sont les agents qui ont fait la découverte
Lisez la chronologie de près et vous verrez ce que les agents ont réellement fait : ils ont filtré. La découverte elle-même remonte à des années, aux équipes de relevés lidar aéroportés, aux chercheurs qui ont publié sur la réutilisation de lidar environnemental en archéologie, et plus précisément aux auteurs de l'article de synthèse de 2025 qui avaient déjà cartographié ce même sommet. Les agents ont réduit l'espace de recherche de 1 200 km² de jungle à une poignée de tuiles candidates qu'un humain pouvait inspecter autour d'un café.
Ce n'est pas un reproche : à cette échelle, le filtrage est le véritable goulot d'étranglement de la plupart des sciences riches en données. Radioastronomie, physique des particules, génomique : le schéma est toujours le même. Les capteurs produisent bien plus de données que ce que les humains peuvent examiner, si bien que le taux de découverte est limité par le débit de tri, et non par la disponibilité des données. C'est précisément la dynamique derrière pourquoi les benchmarks d'IA passent à côté de l'essentiel du travail réel : la tâche précieuse n'a jamais été « être intelligent », c'était « regarder un million de choses ennuyeuses et en faire ressortir les cinq intéressantes ».
Verdict : plutôt réfuté. Les agents sont des multiplicateurs d'attention, pas des sources de découverte. Dès qu'on les présente comme des découvreurs, on se met à faire confiance à leurs résultats négatifs (« la recherche bibliographique n'a rien trouvé ») et c'est là que réside le mode de défaillance de cette histoire.

Mythe 3 : les lignes droites d'un agent de vision sont une vérité terrain
La partie du pipeline que j'ai trouvée la plus solide techniquement : après qu'un agent de vision a signalé le sommet, le workflow ne s'est pas arrêté à l'image rendue. Il est revenu au nuage de points brut pour vérifier que les retours classés comme sol (par opposition aux retours de canopée) traçaient bien la place, la pyramide et la cour, sous 10 à 17 mètres de forêt. C'est l'habitude la plus importante dans tout pipeline de ML géospatial : les rendus mentent, les points non.
Pourquoi cette paranoïa ? La classification du sol dans le traitement lidar est elle-même un modèle, et sous une canopée tropicale dense, elle peut interpoler des surfaces lisses là où elle n'a presque aucun retour réel. Une « place » peut être un artefact de l'algorithme de recherche du sol qui hallucine une planéité. La structure de la végétation peut aussi produire des trouées de canopée étrangement linéaires qui se propagent dans les ombrages. Quiconque a travaillé avec des pipelines de géodonnées à l'échelle d'un pays s'est déjà brûlé à des artefacts de traitement qui paraissent plus significatifs que le signal.
Voici la liste de vérification que j'imposerais, et que cette histoire a largement suivie :
- Confirmer l'élément dans le nuage de points brut, découpé selon au moins deux axes, et pas seulement dans un MNT rendu.
- Rendre avec plusieurs azimuts d'ombrage ; les artefacts liés à la direction des lignes de balayage disparaissent ou se déplacent, pas les structures réelles.
- Recouper avec une seconde source de données si elle existe (autre relevé, autre année).
- Filtrer les générateurs connus de faux positifs : dolines (la région maya est karstique et en regorge), routes modernes, cicatrices d'exploitation forestière et terrasses géologiques.
- Quantifier l'anomalie : rectitude des bords, angles des coins, surface de la plateforme par rapport au fond régional. « Ça ressemble à un rectangle » est une impression ; un rapport d'aspect mesuré est une affirmation.
Le pipeline a réussi la plupart de ces tests. Et fait notable, l'affirmation physique a tenu : le site est réel, et les archéologues s'accordent à y voir un centre civique de la période classique. La défaillance s'est produite sur un tout autre axe.
Mythe 4 : vérifier la littérature est une tâche qu'on peut déléguer
C'est le mythe que l'histoire a démoli elle-même, publiquement. Les agents ont interrogé la littérature et le registre officiel de l'INAH, n'ont rien trouvé, et ont signalé le site comme non enregistré. C'est techniquement vrai : il ne figurait pas au registre de l'INAH. Mais un article évalué par des pairs, publié la même année, avait cartographié le site, et la recherche bibliographique agentique est passée à côté. Le mot « redécouverte » n'est entré dans le titre qu'après qu'un expert du domaine a pointé la citation.
Si vous avez construit des agents qui font de la vérification d'antériorité ou de nouveauté, cela devrait vous faire grimacer de reconnaissance. La recherche bibliographique est la chose la plus difficile à déléguer, pour des raisons structurelles :
- La couverture est invisible. Un agent ne peut pas savoir ce à quoi il n'a pas accès : revues payantes, PDF derrière les dépôts universitaires, articles où le site n'apparaît que comme une coordonnée dans un tableau en page 14. C'est exactement là que se trouvait ce site.
- Les résultats négatifs ne sont pas réfutables. « Je n'ai rien trouvé » ressemble exactement à ce qu'on obtiendrait si rien n'existait ou si la recherche était superficielle. Il n'y a aucun signal d'erreur.
- Les publications récentes sont en retard sur tous les index. Un article de 2025 peut être mal indexé, ignoré par les outils de recherche, ou connu seulement par des présentations en conférence et des serveurs de prépublication.
- La correspondance spatiale est un problème à part entière. Les articles ne publient pas toujours les coordonnées ; les sites ont plusieurs noms ; une légende de figure indique « sommet près de X » et la carte est un raster basse résolution. Faire le lien avec votre candidat exige un véritable raisonnement géographique.
Ma règle, issue du travail en production en ML : les agents peuvent générer des affirmations candidates, mais l'affirmation de nouveauté (« personne ne l'a signalé ») est le seul résultat à vérifier manuellement, avec la recherche la plus approfondie possible, avant qu'il ne sorte. Le côté géospatial a un piège analogue avec les systèmes de coordonnées et de frontières ; quiconque a affronté les compromis de l'indexation spatiale sait que « ce point est-il dans ce jeu de données ? » n'est jamais aussi simple qu'il en a l'air.
Verdict : réfuté, et sévèrement. La vérification physique a été bien déléguée dans cette histoire. La vérification de la nouveauté a été déléguée très mal. Concevez votre pipeline en conséquence : automatisez la recherche, mais traitez « aucun travail antérieur trouvé » comme un brouillon, jamais comme une conclusion.
Mythe 5 : la boucle de vérification ne compte qu'une étape
La meilleure façon de lire toute cette séquence de 72 heures est comme une conception de vérification en couches, où certaines couches ont tenu et une s'est effondrée. Il vaut la peine de nommer ces couches, car ce sont celles que vous construiriez pour n'importe quel système de génération d'affirmations agentiques :
- Couche 1 : contrôle au niveau du capteur. Les données brutes étayent-elles l'élément rendu ? (Coupes du nuage de points. Réussi.)
- Couche 2 : revue indépendante par agents. Différents agents, différents prompts, réexaminent les candidats ; les désaccords sont transmis à l'humain. (Globalement réussi ; aucune preuve publiée de prompts adverses, ce que j'ajouterais.)
- Couche 3 : autorité externe. Interrogation du registre officiel : l'INAH a confirmé l'absence d'enregistrement. (Réussi, mais cela n'a prouvé que l'absence au registre, pas la nouveauté.)
- Couche 4 : recherche d'antériorité. (Échec : a manqué l'article de synthèse de 2025.)
- Couche 5 : expert du domaine. Fourni finalement par la communauté et les auteurs originaux, après publication. (C'est la couche qui a attrapé l'erreur.)
La leçon n'est pas « ne faites pas confiance aux agents » : chaque couche vérifie une affirmation différente, et réussir trois couches sur cinq ne dit rien des deux autres. La réussite de la couche 3 a été activement trompeuse ici, car « absent du registre » a été promu en « inconnu de la science » dans la tête de l'humain. C'est une erreur de jointure entre deux jeux de données à couverture différente, de la même famille que supposer qu'une frontière de code postal signifie ce qu'on croit, le genre de chose que nous détaillons dans les écarts entre frontières ZCTA et USPS. Deux sources d'apparence faisant autorité, un désaccord silencieux, une conclusion erronée et pourtant assurée.
Chaque couche d'une pile de vérification contrôle une affirmation différente. Réussir trois couches ne dit rien de la quatrième.
Si je devais durcir ce pipeline, j'ajouterais deux mécanismes peu coûteux. D'abord, une passe adverse sur la littérature : un agent distinct dont le seul rôle est de réfuter la nouveauté, avec des outils de recherche plus agressifs et la consigne de supposer qu'un travail antérieur existe. Ensuite, un contact expert avant publication : envoyer la liste de candidats à un vrai spécialiste du domaine avant d'annoncer quoi que ce soit. La réaction de la communauté ici montre que les experts sont prêts à répondre vite ; la correction est arrivée dans les heures suivant la publication du billet.

Ce que la redécouverte prouve réellement
Je défendrai cependant le résultat, car je pense que les sceptiques ont mal analysé l'échec. Un outsider avec un ordinateur portable et un peu de calcul a convergé indépendamment vers le même site qu'un relevé professionnel avait publié, en utilisant des données publiques et quelques nuits de temps d'agent. Si votre pipeline de tri redécouvre des sites connus, c'est un signal de calibration, pas une gêne : cela signifie que le détecteur a une sensibilité réelle. On devrait bien plus s'inquiéter s'il ne signalait que des choses que personne ne pourrait jamais confirmer.
La recette reproductible, débarrassée du récit d'aventure :
- Choisir un domaine où les données de capteurs publiques dépassent très largement l'attention humaine (le lidar est le cas emblématique ; les archives sur les sciences de la Terre de la NASA en sont un autre).
- Convertir les données brutes en rendus visuels de haute qualité : cette étape compte plus que le choix du modèle.
- Déployer en parallèle des agents de vision bon marché avec une grille écrite précise de positifs et de faux positifs connus.
- Vérifier les survivants sur les données brutes, pas sur les rendus.
- Traiter la nouveauté comme une piste de vérification distincte, menée par un humain, et soumettre les affirmations à un expert du domaine avant toute annonce.
Un autre point soulevé par la communauté archéologique mérite réflexion : la découverte n'est plus le goulot d'étranglement, c'est la préservation. Les sites trouvés plus vite qu'ils ne peuvent être fouillés ou protégés deviennent des cibles de pillage, et les coordonnées sont des informations sensibles (l'auteur du rapport a eu raison de les placer dans une annexe confidentielle). Si vous construisez des pipelines de découverte sur des domaines sensibles, élaborez d'abord la politique de divulgation. La vérification ne consiste pas seulement à avoir raison ; il s'agit d'avoir raison de manière responsable.
Le bilan honnête : les pipelines agentiques sur des données géospatiales publiques peuvent tout à fait générer des affirmations réelles et vérifiables, et l'astuce du modèle de vision comme géomètre fonctionne mieux que ce que la plupart des praticiens attendaient. Mais l'affirmation qui survit est celle dont la boucle de vérification a été conçue pour la couche qui échoue en silence. Dans cette histoire, les vérifications lidar ont chanté et la vérification bibliographique a murmuré. Concevez pour le murmure.


