Construire des catalogues d'informations sismologiques des plus complets représente un enjeu majeur en sismologie. L'implémentation régulière d'instruments sur le territoire national et l'accroissement massif de la quantité de données qui y est associée rend cependant difficile le traitement et l'analyse exhaustif des données obtenues. Depuis peu des techniques d'apprentissage machine sont développées par la communauté scientifique pour aider à l'automatisation du traitement de la donnée et palier à ce problème. Parmi ces méthodes, PhaseNet, un algorithme de détection et pointé des phases sismiques régionales basé sur les réseaux de neurones convolutifs, semble particulièrement efficace. Nous présentons ici une analyse des performances et de l'apport potentiel de cet algorithme dans différents cas de figures, de l'utilisation dans le cas d'une antenne sismique temporaire à faible ouverture géométrique (10km2) à celle d'un réseau permanent régional (105 km2), en passant par des installations temporaires en réseaux denses (103 km2), et en intégrants plusieurs types de capteurs.