Cartographier les cas d'usage de l'IA sur la chaîne de valeur publique

Une ville américaine de taille moyenne a passé trois ans et environ 2 millions de dollars (estimation, sur la base des contrats informatiques municipaux typiques rapportés dans les documents budgétaires des collectivités locales) à construire un chatbot d'IA générative pour répondre aux questions des habitants sur les permis de stationnement. Le chatbot indiquait régulièrement la mauvaise date limite de renouvellement. Pendant ce temps, le service de l'urbanisme de la même ville affectait encore ses inspecteurs à la main, sur un tableur, alors qu'un simple algorithme de planification à base de règles aurait pu diviser les délais d'attente par deux. C'est le schémamaUtiliser un logiciel pour automatiser les tâches et campagnes marketing répétitives, afin de personnaliser à grande échelle sur des canaux comme l'email, le web et le social.Voir la définition complète → récurrent de l'adoption de l'IA dans le secteur public : le budget va vers des outils visibles et spectaculaires, au détriment d'une automatisation ennuyeuse mais à forte valeur.

Cette leçon vous donne un framework pour faire la différence, en parcourant la chaîne de valeur réelle d'une administration municipale.

Ce que l'on entend ici par « chaîne de valeur publique »

Empruntée au concept de chaîne de valeur de Michael Porter mais adaptée au secteur public, c'est la séquence d'activités qu'une administration exécute pour convertir une intention politique en services rendus aux habitants :

1. Conception des politiques publiques (quelles règles doivent exister)
2. Planification des programmes et du budget (comment allouer les ressources)
3. Autorisations et instruction réglementaire (approuver ce que les habitants/entreprises veulent faire)
4. Services aux citoyens et gestion des dossiers (prestations, réclamations, demandes)
5. Opérations de terrain (inspections, maintenance, réponse de sécurité publique)
6. Contrôle, audit et reporting (redevabilité envers le public)

La valeur de l'IA diffère nettement à chaque étape. L'erreur que commettent la plupart des administrations consiste à appliquer un seul outil (généralement un chatbot) partout, au lieu d'aligner le type d'IA sur la tâche.

Étape 1 : conception des politiques publiques, l'IA comme accélérateur de recherche, pas comme décideur

Ici, la tâche consiste à synthétiser des éléments de preuve : comparer la façon dont d'autres villes ont réglementé les locations de courte durée, résumer les volumes de commentaires publics, rédiger une première version du texte d'un arrarrL'Annual Recurring Revenue (ARR) est le revenu normalisé et prévisible qu'une entreprise par abonnement attend de ses contrats actifs sur une année.Voir la définition complète →êté.

Bon usage : les grands modèles de langage (LLMLLMUn Large Language Model est un système d'IA entraîné sur d'énormes volumes de texte pour prédire et générer du langage, ce qui permet de rédiger, résumer ou répondre à des questions.Voir la définition complète →, systèmes d'IA entraînés sur du texte pour générer et résumer du langage) pour la revue de littérature, la synthèse des commentaires et la rédaction. L'observatoire de l'IA dans le secteur public de l'OCDE recense de vrais déploiements de ce type dans les pays membres.

Mauvais usage : laisser un modèle recommander des orientations politiques. Il n'a aucune redevabilité, et le risque d'hallucinationhallucinationUne hallucination, c'est lorsqu'un modèle d'IA produit une réponse fluide et assurée mais factuellement fausse, inventée, ou non étayée par ses données sources.Voir la définition complète → (information fausse générée avec assurance) est maximal lorsqu'il n'existe aucun document de référence pour vérifier.

Étape 2 : planification des programmes et du budget, prévoir, pas générer

Les services budgétaires doivent anticiper la demande de services : combien de places d'hébergement l'hiver prochain, quel volume de sel de déneigement stocker, où se concentrent géographiquement les risques de délinquance ou d'incendie.

Bon usage : le machine learning classique (ML), des modèles statistiques entraînés sur des données historiques pour prédire des résultats. La prévision de séries temporelles et les modèles de risque géospatial bénéficient de décennies de validation académique et opérationnelle. Le modèle de priorisation des inspections alimentaires de Chicago (utilisant le ML pour classer les restaurants à inspecter en premier) est un exemple public bien documenté.

Mauvais usage : l'IA générative. Vous n'avez pas besoin d'un modèle qui écrit des phrases fluides, vous avez besoin d'un modèle qui prédit un chiffre avec précision et explique pourquoi.

Étape 3 : autorisations et instruction réglementaire, là où les règles déterministes l'emportent

C'est l'exemple central de l'accroche, et l'étape que les administrations ratent le plus souvent.

L'instruction d'une autorisation consiste fondamentalement à appliquer des règles : ce bâtiment respecte-t-il les règles de recul, ce dossier de licence commerciale est-il complet, ce demandeur respecte-t-il les plafonds de revenus d'un programme d'aide. Ce sont des décisions déterministes (les mêmes entrées produisent toujours la même sortie correcte), encadrées par la loi.

Bon usage : moteurs de règles, robotic process automation (RPA, logiciel qui automatise des tâches numériques répétitives comme la saisie de données entre systèmes) et reconnaissance optique de caractères (OCR) pour numériser les dossiers papier. Ce n'est pas glamour mais cela réduit de façon fiable les délais de traitement.

Mauvais usage : des chatbots LLM interprétant des règles d'éligibilité. Un modèle génératif ne « connaît » pas le code de l'urbanisme, il prédit un texte plausible. Si le modèle annonce qu'une autorisation est accordée et qu'il se trompe, la ville en porte la responsabilité. L'Office for AI britannique et le guide de l'IA pour l'administration de la GSA américaine signalent tous deux ce point : utilisez l'IA générative pour rédiger l'explication d'une décision déjà prise par un moteur de règles, pas pour prendre la décision elle-même.

Pseudo-code simple de l'approche déterministe :

if applicant.income <= threshold_for_program:
    if applicant.documents_complete == True:
        status = "eligible"
    else:
        status = "pending_documents"
else:
    status = "not_eligible"

Aucun modèle nécessaire. C'est ce que sont réellement la plupart des récits d'« échec de l'IA dans le secteur public » : des administrations qui remplacent du code de ce type par un modèle probabiliste, introduisant de l'erreur là où il n'y en avait pas besoin.

Étape 4 : services aux citoyens, le véritable terrain de jeu de l'IA générative

C'est là que les chatbots et les LLM justifient réellement leur budget, mais uniquement sur les bonnes sous-tâches : répondre à des questions en langage naturel en allant chercher l'information dans des documents vérifiés (un schéma appelé retrieval-augmented generationretrieval-augmented generationMéthode qui permet à un modèle d'IA de répondre à partir de vos propres documents, en récupérant les passages pertinents avant de générer une réponse.Voir la définition complète →, ou RAG, où le modèle puise dans une base de connaissances validée plutôt que d'inventer des réponses), traduire l'information de service en plusieurs langues, et orienter les réclamations entrantes vers le bon service.

Boston, Los Angeles et plusieurs municipalités de l'UE ont expérimenté des assistants basés sur le RAG pour les lignes de service non urgentes 311 (estimation fondée sur les annonces publiques de pilotes vers 2023-2025). Le choix de conception décisif : le modèle va chercher l'information dans une FAQ ou un document réglementaire validé, et le cite, plutôt que de produire une interprétation juridique libre.

Mauvais usage : des chatbots sans ancrage documentaire, déployés en interface publique « demandez-moi n'importe quoi » sans garde-fousgarde-fousRègles et contrôles qui maintiennent un système d'IA dans des limites sûres, légales et conformes à la marque, en bloquant les sorties et actions hors cadre.Voir la définition complète →. C'est exactement l'échec du permis de stationnement de l'accroche.

Étape 5 : opérations de terrain, computer vision et maintenance prédictive

Les inspecteurs, les équipes de propreté et les services techniques tirent parti de la computer vision (IA qui interprète images et vidéos) pour des tâches comme détecter les nids-de-poule à partir de vidéos de caméras embarquées, surveiller les capteurs de pression des canalisations pour prédire les fuites, ou repérer des infractions au code à partir d'imagerie satellite ou aérienne.

Bon usage : des modèles de computer vision étroits, bien annotés, entraînés pour une seule tâche (détection de nids-de-poule, pas « qualité générale de la chaussée »).

Mauvais usage : des agents IA généralistes prenant des décisions de terrain autonomes (par exemple, émettre automatiquement des amendes à partir d'infractions détectées, sans relecture humaine). Les exigences de procédure régulière du droit administratif américain, et les règles de transparence proches du RGPDRGPDRèglement de l'UE encadrant la collecte, le stockage et l'usage des données personnelles, avec des amendes indexées sur le chiffre d'affaires mondial.Voir la définition complète → dans l'UE (Règlement général sur la protection des données, qui encadre la décision automatisée concernant les personnes), imposent généralement un humain dans la boucle pour tout ce qui a une conséquence juridique.

Étape 6 : contrôle et audit, détection d'anomalies

Les inspections générales et les services d'audit utilisent le ML pour détecter la fraude dans les programmes de prestations (signaler des schémas de demandes statistiquement inhabituels) et les anomalies de commande publique (repérer des offres suspectement regroupées). C'est l'un des cas de ROIROIReturn on Investment : le rapport entre le profit net et le coût d'un investissement. Un ROI de 300 % signifie que chaque dollar investi en rapporte 3.Voir la définition complète → (retour sur investissement) les mieux documentés de l'IA dans le secteur public : les systèmes de détection de fraude des CMS (Centers for Medicare & Medicaid Services) ont publiquement fait état de centaines de millions de dollars récupérés chaque année (estimation, les chiffres varient selon l'exercice, voir les rapports d'intégrité des programmes des CMS).

Un diagnostic simple avant de financer un projet d'IA

Posez trois questions avant d'approuver un budget :

1. La décision sous-jacente est-elle déterministe (à base de règles) ou probabiliste (à base de patterns) ? Moteurs de règles pour la première, ML/IA pour la seconde.
2. Quel est le coût de l'erreur, et qui en répond ? Les décisions à fort enjeu, avec des conséquences juridiques, exigent une relecture humaine quelle que soit la précision du modèle.
3. La réponse d'une IA générative doit-elle être ancrée dans un document faisant autorité ? Si oui, une architecture RAG est obligatoire, pas optionnelle.

Les administrations qui sautent ce diagnostic ont tendance à acheter de l'IA générative pour des problèmes d'étape 3 (autorisations) et des moteurs de règles pour des problèmes d'étape 4 (services aux citoyens), exactement l'inverse de là où se situe la valeur.

🎬 [VIDEO: "How AI Is Being Used in Government Right Now" - youtube.com/results?search_query=AI+in+government+use+cases+2025 - rechercher du contenu explicatif récent issu de chaînes consacrées à la technologie publique comme GovTech ou Code for America, couvrant de véritables déploiements d'IA municipaux]

Points clés à retenir

• Alignez le type d'IA sur le type de tâche : moteurs de règles et RPA pour les décisions déterministes d'autorisation/d'éligibilité, prévision par ML pour la planification, IA générative (ancrée via RAG) pour les questions-réponses avec les citoyens, computer vision pour les opérations de terrain, détection d'anomalies pour l'audit et la fraude.
• Les erreurs d'IA les plus coûteuses dans le secteur public viennent du déploiement de chatbots sur des tâches qui exigent une exactitude déterministe (autorisations, éligibilité aux prestations), où une mauvaise réponse crée une responsabilité juridique.
• Le cas d'usage le plus solide et le mieux étayé de l'IA générative dans le secteur public, c'est l'assistance au citoyen ancrée dans des documents et fondée sur la recherche d'information, pas l'interprétation ouverte d'une politique ou d'une loi.
• Avant de financer un projet d'IA, demandez si la décision sous-jacente relève de règles ou de patterns, et qui répond des erreurs du modèle.
• Une partie des ROI les mieux documentés de l'IA dans le secteur public se trouve dans des fonctions support peu glamour : détection de fraude, prévision de la demande et priorisation des inspections, pas dans les outils génératifs tournés vers le public.