Fermer Le Menu
    FORUM
    Apple

    Apple Intelligence en 2026 : Tony Fadell tacle l’IA et le projet automobile

    YvesPar Aucun commentaire12 Minutes de Lecture
    A man recording a podcast in a professional studio environment, engaging with a microphone.
    Photo de cottonbro studio sur Pexels.

    Tony Fadell, l’un des artisans de l’iPodjuge qu’Apple a vendu son virage vers l’IA avant d’avoir une expérience assez solide. Il estime aussi que la firme aurait dû poursuivre son projet automobile et imagine un appareil IA qui accompagne l’iPhone au lieu de vouloir le remplacer.

    Fadell s’est exprimé le 29 janvier 2026près de vingt ans après son départ d’Apple. L’ancien responsable de l’iPod ne travaille pas sur Apple Intelligence. Il développe toutefois une activité dans l’IA et a échangé avec les équipes de Humane et de Rabbit. Son avis n’est donc pas celui d’un cadre de Cupertino, mais il connaît de l’intérieur la discipline produit qui a accompagné les grandes années de l’iPod.

    De l’iPod au faux départ IA

    Fadell reproche à Apple d’avoir repris les expressions « AI-first laptop » et « AI-first phone » avant de prouver qu’elles correspondaient à une expérience utile. Il oppose cette approche à une règle plus ancienne de la marque : promettre moins et livrer davantage. Le tacle vise le marketing, mais surtout le décalage entre une nouvelle catégorie annoncée et ce que l’utilisateur peut réellement faire avec elle.

    Son reproche ne porte pas sur l’existence de l’IA. Fadell dit en voir l’utilité et suivre son développement. Il critique plutôt la tentation de faire du téléphone, de l’ordinateur ou de l’accessoire un objet « piloté par l’IA » avant d’avoir réglé les usages de base. Une réponse approximative ou une fonction qui demande plusieurs réglages ne fait pas gagner du temps, même si le discours de keynote est bien huilé.

    La critique de Fadell porte donc moins sur la puissance des machines que sur la qualité du produit livré. Une puce rapide ne suffit pas à rendre une réponse pertinente. Apple peut disposer d’une infrastructure matérielle et logicielle très solide, puis rater le moment où cette puissance doit résoudre un problème concret. Là, ça commence à sentir le flan.

    La Fadell critique prend la route

    a car that is driving down the street
    Photo de gibblesmash asdf sur Unsplash.

    Sur l’automobile, Fadell considère qu’Apple a mal orienté son projet de mobilité. Il regrette que la firme n’ait pas poursuivi cette piste et lui reproche d’avoir abordé la voiture comme un problème de technologie haut de gamme, plutôt que comme un service de déplacement à repenser. Son idée n’est pas accompagnée d’un modèle technique précis, mais elle pose une question stratégique simple : Apple voulait-elle fabriquer une voiture ou trouver un nouvel usage de la mobilité?

    Capteurs, le volant n’est pas magique

    Les publications scientifiques disponibles expliquent pourquoi le sujet ne se résume pas à installer de l’IA dans un véhicule. Une revue publiée dans Sensors en février 2025 décrit la fusion des données issues des caméras, du radar, du lidar et du GPS. Elle souligne que cette combinaison améliore la perception, mais rend aussi les décisions plus difficiles à interpréter. Dans un système qui conduit, cette opacité touche directement la sécurité et la responsabilité.

    Une autre revue, publiée dans Innovation et référencée le 3 mars 2025, reprend une estimation d’environ 1 milliard de RMB pour collecter 1 million de kilomètres de données de conduite. Les auteurs décrivent aussi les limites des simulations, la difficulté à reproduire les situations rares et le caractère opaque des modèles d’apprentissage profond. Le niveau d’autonomie promis ne supprime donc ni le coût des données ni les questions de responsabilité.

    Le jardin clos ouvre un pin

    a table with a laptop and headphones on it
    Photo de Egor Komarov sur Unsplash.

    Pour l’IA personnelle, Fadell défend une idée plus limitée : un pin, une bague ou des AirPods dotés de caméras, pendant que le téléphone reste dans la poche. Il ne prétend pas savoir si Apple prépare un tel produit. Il espère simplement que la firme travaille sur un appareil de ce type.

    Sa distinction avec Humane et Rabbit tient au rôle du nouveau matériel. Ces produits ont tenté de remplacer le téléphone, alors que Fadell estime qu’aucun accessoire ne peut s’en passer aussi facilement. Un appareil qui complète le téléphone aurait une mission moins spectaculaire, mais plus réaliste : capter un contexte précis et déclencher une action sans devenir le centre de toute la vie numérique.

    Le problème arrive dès que l’on détaille ce contexte. Fadell évoque l’audio, la vidéo, la localisation et les données biométriques. Un appareil connecté comme des écouteurs pourrait accéder à un ensemble de capteurs différent de celui qu’Apple autorise à une application. C’est pratique sur le papier. C’est aussi une concentration de données qui exige des permissions lisibles, un indicateur clair d’enregistrement et un contrôle réel de la conservation. Sinon, c’est du flan, cette promesse d’assistant discret qui aspire toute la pièce.

    Le bon appareil IA ne devrait pas remplacer l’iPhonemais expliquer précisément ce qu’il ajoute à l’iPhone. Cette approche correspond davantage à la force d’Apple : intégrer un accessoire dans un écosystème existant plutôt que demander au public d’adopter une catégorie entièrement nouvelle.

    L’iPod remet le son, pas le disque

    La référence à l’iPod n’annonce pas son retour. Elle sert plutôt de point de comparaison à Fadell. Il oppose la discipline produit des débuts d’Apple à une période où les slogans sur l’IA arrivent avant la démonstration d’un usage stable. Le souvenir du baladeur compte donc moins comme objet que comme méthode : réduire le problème, choisir une fonction claire et éviter de vendre une promesse qui déborde du produit.

    Cette grille explique aussi sa préférence pour un appareil complémentaire. Un pin ou une bague n’aurait pas besoin de devenir un nouvel ordinateur miniature. Il devrait faire peu de choses, les faire correctement et laisser l’iPhone gérer le reste. Voilà une ambition moins spectaculaire, mais nettement plus difficile à foirer en beauté.

    Apple peut-elle transformer cette critique en produit utile sans reprendre les recettes marketing qu’elle reproche aux autres acteurs de l’IA? Fadell ne connaît pas la réponse. Il sait seulement qu’un appareil plus petit, mieux cadré et moins prétentieux aurait peut-être davantage de chances de tenir ses promesses.

    Sources et références scientifiques
    1. William Gallagher. ‘Father of the iPod’ says Apple screwed up AI and should have kept going with the car. 2026.
    2. Exploring the Unseen: A Survey of Multi-Sensor Fusion and the Role of Explainable AI (XAI) in Autonomous Vehicles – PMC. Sensors (Basel, Switzerland). DOI: 10.3390/s25030856 · PMID: 39943496.
    3. 1.Vemoori V. Towards Safe and Equitable Autonomous Mobility: A Multi-Layered Framework Integrating Advanced Safety Protocols, Data-Informed Road Infrastructure, and Explainable AI for Transparent Decision-Making in Self-Driving Vehicles. Hum.-Comput. Interact. Persp. 2022;2:10-41. [Google Scholar].
    4. 2.Olayode I.O., Du B., Severino A., Campisi T., Alex F.J. Systematic Literature Review on the Applications, Impacts, and Public Perceptions of Autonomous Vehicles in Road Transportation System. J. Traffic Transp. Eng. Engl. Ed. 2023;10:1037-1060. doi: 10.1016/j.jtte.2023.07.006. [DOI] [Google Scholar]. doi:10.1016/j.jtte.2023.07.006.
    5. 3.Velasco-Hernandez G., Yeong D.J., Barry J., Walsh J. Autonomous Driving Architectures, Perception and Data Fusion: A Review; Proceedings of the 2020 IEEE 16th International Conference on Intelligent Computer Communication and Processing (ICCP); Cluj-Napoca, Romania. 3-5 September 2020; pp. 315-321. [Google Scholar].
    6. 4.Rondelli V., Franceschetti B., Mengoli D. A Review of Current and Historical Research Contributions to the Development of Ground Autonomous Vehicles for Agriculture. Sustainability. 2022;14:9221. doi: 10.3390/su14159221. [DOI] [Google Scholar]. doi:10.3390/su14159221.
    7. en L., Li Y., Silamu W., Li Q., Ge S., Wang F.-Y. Smart Mining with Autonomous Driving in Industry 5.0: Architectures, Platforms, Operating Systems, Foundation Models, and Applications. IEEE Trans. Intell. Veh. 2024;9:4383-4393. doi: 10.1109/TIV.2024.3365997. [DOI] [Google Scholar]. doi:10.1109/TIV.2024.3365997.
    8. 6.Molina A.A., Huang Y., Jiang Y. A Review of Unmanned Aerial Vehicle Applications in Construction Management: 2016-2021. Standards. 2023;3:95-109. doi: 10.3390/standards3020009. [DOI] [Google Scholar]. doi:10.3390/standards3020009.
    9. 7.Olapoju O.M. Autonomous Ships, Port Operations, and the Challenges of African Ports. Marit. Technol. Res. 2023;5:260194. doi: 10.33175/mtr.2023.260194. [DOI] [Google Scholar]. doi:10.33175/mtr.2023.260194.
    10. 8.Naeem D., Gheith M., Eltawil A. A Comprehensive Review and Directions for Future Research on the Integrated Scheduling of Quay Cranes and Automated Guided Vehicles and Yard Cranes in Automated Container Terminals. Comput. Ind. Eng. 2023;179:109149. doi: 10.1016/j.cie.2023.109149. [DOI] [Google Scholar]. doi:10.1016/j.cie.2023.109149.
    11. 9.Negash N.M., Yang J. Driver Behavior Modeling Toward Autonomous Vehicles: Comprehensive Review. IEEE Access. 2023;11:22788-22821. doi: 10.1109/ACCESS.2023.3249144. [DOI] [Google Scholar]. doi:10.1109/ACCESS.2023.3249144.
    12. 10.Zhao J., Zhao W., Deng B., Wang Z., Zhang F., Zheng W., Cao W., Nan J., Lian Y., Burke A.F. Autonomous Driving System: A Comprehensive Survey. Expert Syst. Appl. 2024;242:122836. doi: 10.1016/wa.2023.122836. [DOI] [Google Scholar]. doi:10.1016/j.eswa.2023.122836.
    13. 11.Yeong D.J., Velasco-Hernandez G., Barry J., Walsh J. Sensor and Sensor Fusion Technology in Autonomous Vehicles: A Review. Sensors. 2021;21:2140. doi: 10.3390/s21062140. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/s21062140.
    14. 12.Zhang Y., Carballo A., Yang H., Takeda K. Perception and Sensing for Autonomous Vehicles under Adverse Weather Conditions: A Survey. ISPRS J. Photogramm. Remote Sens. 2023;196:146-177. doi: 10.1016/j.isprsjprs.2022.12.021. [DOI] [Google Scholar]. doi:10.1016/j.isprsjprs.2022.12.021.
    15. Toward the robustness of autonomous vehicles in the AI era – PMC. Innovation (Cambridge (Mass.)). DOI: 10.1016/j.xinn.2024.100780 · PMID: 40098668.
    16. 1.Xu Y., Liu X., Cao X., et al. Artificial intelligence: A powerful paradigm for scientific research. Innovation. 2021;2 doi: 10.1016/j.xinn.2021.100179. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1016/j.xinn.2021.100179.
    17. 2.Goddard M.A., Davies Z.G., Guenat S., et al. A global horizon scan of the future impacts of robotics and autonomous systems on urban ecosystems. Nat. Ecol. Evol. 2021;5:219-230. doi: 10.1038/s41559-020-01358-z. [DOI] [PubMed] [Google Scholar]. doi:10.1038/s41559-020-01358-z.
    18. 3.Almalioglu Y., Turan M., Trigoni N., et al. Deep learning-based robust positioning for all-weather autonomous driving. Nat. Mach. Intell. 2022;4:749-760. doi: 10.1038/s42256-022-00520-5. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1038/s42256-022-00520-5.
    19. 4.Feng S., Sun H., Yan X., et al. Dense reinforcement learning for safety validation of autonomous vehicles. Nature. 2023;615:620-627. doi: 10.1038/s41586-023-05732-2. [DOI] [PubMed] [Google Scholar]. doi:10.1038/s41586-023-05732-2.
    20. 5.Xu Z., Zhang Y., Xie E., et al. DriveGPT4: Interpretable end-to-end autonomous driving via large language model. arXiv. 2023 doi: 10.48550/arXiv.2310.01412. Preprint at. [DOI] [Google Scholar]. doi:10.48550/arXiv.2310.01412.
    21. View in NLM Catalog.
    22. Download.nbib.nbib.
    23. Format: AMA APA MLA NLM.
    24. AMA APA MLA NLM.
    25. Exploring AI Driven Autonomous Vehicles as Mobile Health Units to Expand Access to Healthcare in Underserved Communities – PMC. Journal of epidemiology and global health. DOI: 10.1007/s44197-026-00547-6 · PMID: 41870692.
    26. 1.Osadolor OO, Osadolor AJ, Osadolor OO, Enabulele E, Akaji EA, Odiowaya DE. Access to health services and health inequalities in remote and rural areas. Janaki Med Coll J Med Sci. 2022;10(2):2. 10.3126/jmcjms.v10i2.47868. [Google Scholar]. doi:10.3126/jmcjms.v10i2.47868.
    27. 2.What factors affect patients’ ability to access. healthcare? An overview of systematic reviews – Dawkins – 2021 – Tropical Medicine & International Health – Wiley Online Library [Internet]. [cited 2025 May 20]. Available from: [DOI] [PubMed]. doi:10.1111/tmi.13651.
    28. 3.Addressing inequities in access to primary. health care: lessons for the training of health care professionals from a regional medical school – PubMed [Internet]. [cited 2025 May 20]. Available from: [DOI] [PubMed].
    29. 4.Iamtrakul P, Chayphong S. Factors affecting the development of a healthy city in Suburban areas, Thailand. J Urban Manag. 2023;12(3):208-20. 10.1016/j.jum.2023.04.002. [Google Scholar]. doi:10.1016/j.jum.2023.04.002.
    30. 5.Adnan N. Exploring the future: A meta-analysis of autonomous vehicle adoption and its impact on urban life and the healthcare sector. Transp Res Interdiscip Perspect. 2024;26:101110. 10.1016/j.trip.2024.101110. [Google Scholar]. doi:10.1016/j.trip.2024.101110.
    31. 6.Ambient (outdoor) air pollution [Internet, editor. ]. [cited 2025 May 20]. Available from: (outdoor)-air-quality-and-health.
    32. 7.Sohrabi S, Dadashova B, Khreis H, Sener IN, Zmud J. Quantifying the health and health equity impacts of autonomous vehicles: A conceptual framework and literature review. J Transp Health. 2021;22:101120. 10.1016/j.jth.2021.101120. [Google Scholar]. doi:10.1016/j.jth.2021.101120.
    33. 8.Fagnant DJ, Kockelman K. Preparing a nation for autonomous vehicles: opportunities, barriers and policy recommendations. Transp Res Part Policy Pract. 2015;77:167-81. 10.1016/j.tra.2015.04.003. [Google Scholar]. doi:10.1016/j.tra.2015.04.003.
    34. 9.Autonomous Vehicles and Intelligent Automation. Applications, Challenges, and Opportunities – Bathla – 2022 – Mobile Information Systems – Wiley Online Library [Internet]. [cited 2025 May 20]. Available from:. doi:10.1155/2022/7632892.
    35. 10.Kang DHP, Chen M, Ogunseitan OA. Potential Environmental and Human Health Impacts of Rechargeable Lithium Batteries in Electronic Waste. Environ Sci Technol. 2013;47(10):5495-503. 10.1021/es400614y. PubMed PMID: 23638841; PubMed Central PMCID: PMC5920515. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1021/es400614y.
    36. 11.IER. Environmental Impacts of Lithium-Ion Batteries. IER [Internet]. 2023 May 11 [cited 2026 Mar 12]. Available from:.
    37. 12.Gowrishankar MrV. Sustainable manufacturing practices for EV battery packs: Lowering the environmental impacts and increasing recyclability. Future Batter. 2025;6:100061. 10.1016/j.fub.2025.100061. [Google Scholar]. doi:10.1016/j.fub.2025.100061.
    38. Cloud2Edge Elastic AI Framework for Prototyping and Deployment of AI Inference Engines in Autonomous Vehicles – PMC. Sensors (Basel, Switzerland). DOI: 10.3390/s20195450 · PMID: 32977409.
    39. 1.Grigorescu S., Trasnea B., Cocias T., Macesanu G. A Survey of Deep Learning Techniques for Autonomous Driving. J. Field Robot. 2019;37:362-386. doi: 10.1002/rob.21918. [DOI] [Google Scholar]. doi:10.1002/rob.21918.
    40. 2.Villalonga A., Beruvides G., Castaño F., Haber R.E. Cloud-Based Industrial Cyber-Physical System for Data-Driven Reasoning: A Review and Use Case on an Industry 4.0 Pilot Line. IEEE Trans. Ind. Inform. 2020;16:5975-5984. doi: 10.1109/TII.2020.2971057. [DOI] [Google Scholar]. doi:10.1109/TII.2020.2971057.
    41. 3.MATLAB. 9.7.0.1190202 (R2019b) The MathWorks Inc.; Natick, MA, USA: 2018. [Google Scholar].
    42. ep Learning on AWS. [(accessed on 12 August 2020)]; Available online:.
    43. 5.The Analyst Toolbox. [(accessed on 12 August 2020)]; Available online:.
    44. 6.Salay R., Queiroz R., Czarnecki K. An Analysis of ISO 26262: Using Machine Learning Safely in Automotive Software. arXiv. 20171709.02435 [Google Scholar].
    45. 7.Abadi M., Agarwal A., Barham P., Brevdo E., Chen Z., Citro C., Corrado G.S., Davis A., Dean J., Devin M., et al. TensorFlow: Large-Scale machine learning on heterogeneous distributed systems; Proceedings of the 12th Symposium on Operating Systems Design and Implementation; Savannah, GA, USA. 2-4 November 2016; pp. 265-283. [Google Scholar].
    46. 8.Paszke A., Gross S., Chintala S., Chanan G., Yang E., DeVito Z., Lin Z., Desmaison A., Antiga L., Lerer A. Automatic Differentiation in PyTorch. [(accessed on 28 October 2017)]; Available online:.
    47. 9.Jia Y., Shelhamer E., Donahue J., Karayev S., Long J., Girshick R., Guadarrama S., Darrell T. Caffe: Convolutional architecture for fast feature embedding; Proceedings of the 22Nd ACM International Conference on Multimedia; Orlando, FL, USA. 3-7 November 2014; New York, NY, USA: ACM; 2014. pp. 675-678. [DOI] [Google Scholar].
    48. 10.Batiz-Benet J., Slack Q., Sparks M., Yahya A. Parallelizing machine learning algorithms; Proceedings of the 24th ACM Symposium on Parallelism in Algorithms and Architectures; Pittsburgh, PA, USA. 25-27 June 2012; pp. 25-27. [Google Scholar].
    49. 11.Nangare S. Gartner’s Strategic Tech Trends Show the Need for an Empowered Edge and Network for a Smarter World. [(accessed on 17 October 2018)]; Available online:.
    50. 12.Wiles J. Top Risks for Legal and Compliance Leaders in 2018. [(accessed on 30 March 2018)]; Available online:.

    Articles relatifs:

    Bonjour ! Je suis Yves, un passionné de technologie et du web, âgé de 35 ans. J'adore explorer les innovations numérique et partager mes connaissances avec autrui. Mon objectif est d'aider chacun à naviguer dans l'univers digital avec aisance. Bienvenue sur mon site !

    Connexes Postes

    Ajouter Un Commentaire
    Laisser Une Réponse