Les travaux présentés portent sur l’étude de modèles numériques multifidèles, déterministes ou stochastiques. Plus précisément, les modèles considérés disposent d’un paramètre réglant la qualité de la simulation, comme une taille de maille dans un modèle par différences finies. Dans ce cas, il est possible de lancer des simulations basses-fidélités, rapides mais grossières, et des simulations hautes-fidélités, fiables mais coûteuses. L’intérêt d’une approche multi-fidèle est de combiner les résultats obtenus aux différents niveaux de fidélité afin d’économiser du temps de simulation. La méthode que nous considérons est fondée sur une approche bayésienne. Le simulateur est décrit grâce à l’un des modèles de processus gaussiens multi-niveaux développés dans la littérature que nous adaptons aux cas stochastiques. Ce méta-modèle du simulateur permet d’estimer des quantités d’intérêt ainsi que leurs incertitudes associées. L’objectif est alors de choisir de nouvelles expériences à lancer afin d’améliorer les estimations. En particulier, la planification doit sélectionner le niveau de fidélité réalisant le meilleur compromis entre coût d’observation et gain d’information. Pour cela, nous proposons une stratégie séquentielle, intitulée Maximum Rate of Uncertainty Reduction (MRUR), consistant à choisir le point d’observation maximisant le rapport entre la réduction d’incertitude et le coût. La méthodologie est illustrée en sécurité incendie, où nous estimons des probabilités de défaillance d’un système de désenfumage.