AT&T et T-Mobile accélèrent l’usage de l’intelligence artificielle pour superviser leurs réseaux, mais refusent encore de lui confier seule les décisions les plus sensibles. Les deux opérateurs américains multiplient les contrôles humains, l’authentification et la surveillance des logiciels tiers, estimant qu’un réseau réellement autonome reste à plusieurs années de distance.
L’IA répare déjà certains incidents sans attendre un technicien
Chez AT&T, des outils d’IA analysent les tickets d’incident et peuvent effectuer automatiquement certaines réparations. T-Mobile exploite de son côté un réseau auto-organisé capable d’ajuster des paramètres d’antennes en fonction du trafic et des conditions locales. Ces fonctions relèvent d’une autonomie limitée : elles interviennent dans un périmètre défini, sur des actions connues et avec des seuils de sécurité préétablis.
Le bénéfice apparaît lors d’un événement brutal. Pendant la tempête hivernale Fern en janvier, T-Mobile indique que ses systèmes ont rétabli le service pour 66 % des clients touchés en une heure et pour 90 % en huit heures, avant le retour complet de l’alimentation électrique. Ces chiffres viennent de l’opérateur et ne mesurent pas isolément la part exacte de l’IA, mais ils montrent pourquoi l’automatisation intéresse les réseaux répartis sur des milliers de sites.
Des garde-fous pour les agents et les logiciels tiers
Jeremy Legg, directeur technique d’AT&T, explique que l’opérateur vérifie avec davantage d’attention les logiciels tiers et les agents d’IA connectés au réseau. Les protections citées comprennent le chiffrement, l’authentification multifacteur et le maintien d’une validation humaine pour les changements critiques. AT&T veut également vérifier qu’un agent externe agit réellement au nom du client qu’il prétend représenter. Cette question d’identité devient centrale avec les agents capables d’appeler des API. Un compte authentifié ne suffit pas si le logiciel a été détourné par une injection de prompt ou si ses autorisations sont trop larges. L’opérateur décrit donc une logique de listes d’accès, de limites par action et d’interruption rapide. Des principes similaires apparaissent dans son architecture AI-Grade Network, qui associe télémétrie des flux, gouvernance des modèles et automatisation des opérations.
T-Mobile a également renforcé la surveillance des réponses fournies par ses systèmes et accéléré les correctifs demandés aux fournisseurs, selon son directeur technique John Saw. Les deux groupes n’emploient pas exactement la même pile logicielle, mais ils convergent sur un point : une autonomie plus élevée doit s’accompagner d’une meilleure traçabilité. Une décision automatique doit pouvoir être attribuée à un agent, reliée aux données qui l’ont déclenchée et annulée si son effet est mauvais.
Pourquoi le réseau totalement autonome attendra
Le secteur évoque depuis des années des réseaux capables de se configurer, se réparer et optimiser leurs dépenses énergétiques sans intervention. Dans la pratique, l’environnement évolue trop vite pour déléguer toutes les décisions. Les logiciels de nombreux fournisseurs coexistent, les équipements de générations différentes doivent rester compatibles et un réglage acceptable dans une zone peut dégrader la couverture d’une autre.
Les incidents récents rappellent aussi la portée d’une erreur centrale. Lors d’une panne, une automatisation mal calibrée peut propager rapidement une mauvaise configuration. L’interruption nationale d’Orange a montré combien un problème logiciel peut perturber les communications et même affecter les numéros d’urgence. Ce cas ne concernait pas les outils d’AT&T ou de T-Mobile, mais il illustre la nécessité de domaines de panne réduits et de procédures de retour arrière indépendantes.
Un réseau autonome doit par ailleurs arbitrer entre des objectifs contradictoires : qualité de service, consommation électrique, couverture, sécurité et coût. Les opérateurs peuvent automatiser une recommandation ou une action réversible, puis conserver une approbation humaine pour les changements de routage à grande échelle. Cette progression graduelle diffère d’une simple démonstration où un agent résout un incident isolé.
AT&T teste déjà une offre minimale de son architecture destinée aux entreprises. Elle doit identifier les applications qui appellent des modèles, appliquer des règles sur les données envoyées et choisir une route selon le coût, la latence ou la sensibilité. L’entreprise précise cependant que ses gains de 15 % sur le placement et jusqu’à 45 % avec le choix du modèle sont des simulations internes, pas des résultats mesurés chez des clients.
Ni AT&T ni T-Mobile ne donne de date pour un réseau sans supervision humaine. Leur priorité immédiate reste plus limitée : automatiser les réparations répétitives, vérifier l’identité des agents tiers et conserver un opérateur capable de bloquer une action critique. AT&T a ouvert un programme MVP pour son AI-Grade Network, accessible sur inscription, sans annoncer pour l’instant de tarif ni de disponibilité commerciale générale.
