Le service public a un avantage inattendu avec l’IA : il est obligé d’expliciter l’acceptabilité

Le détail qui me gêne

Une administration ne peut pas se contenter d’un « ça marche souvent » lorsqu’un même service concerne des profils très différents. C’est exactement le genre de scène qui oblige à quitter la démo pour regarder le travail : les contraintes de traçabilité, égalité de traitement et protection des données forcent à définir plus clairement ce qui est acceptable. Cette discipline peut aussi inspirer le privé.

Pourquoi ça compte plus qu’il n’y paraît

Les usages métier rappellent une chose simple : une sortie IA n’a de valeur que parce qu’elle s’insère dans une règle, une décision ou une action. Dans les secteurs soumis à des obligations fortes, la traçabilité, l’égalité de traitement, la capacité à expliquer et la gestion des exceptions ne sont pas des détails. Ce sont souvent les conditions qui rendent l’automatisation utilisable au quotidien. Ce qui mérite d’être isolé, c’est ça : Les contraintes de traçabilité, égalité de traitement et protection des données forcent à définir plus clairement ce qui est acceptable. Cette discipline peut aussi inspirer le privé. Le risque est de rendre la partie visible plus rapide sans rendre le travail plus fiable.

Le sujet mérite d’être regardé parce qu’il repose sur des signaux datés, pas sur une promesse marketing. EUNOMIA.AI prévoit des pilotes portant sur la simplification administrative, la conformité, les règles lisibles par machine, les assistants et les traitements documentaires, avec intégration des exigences juridiques, éthiques, cybersécurité et protection des données. Trois projets européens de GenAI pour les administrations publiques ont démarré en juillet 2026. Ils doivent tester des solutions européennes fiables sur des besoins concrets, avec des procédures d’achat, de test et de déploiement au niveau des administrations participantes. Ces chiffres et annonces ne disent pas quoi faire à ta place. Ils permettent surtout de poser la bonne question au bon moment.

Dans une vraie journée de travail

Une administration ne peut pas se contenter d’un « ça marche souvent » lorsqu’un même service concerne des profils très différents.

Le mauvais réflexe serait de transformer le titre en doctrine. Le bon niveau de prudence se décide sur les conséquences, pas sur la sophistication technique. Une administration ne peut pas se contenter d’un « ça marche souvent » lorsqu’un même service concerne des profils très différents. Le niveau de contrôle doit suivre la conséquence possible, pas l’enthousiasme pour l’outil.

Ce que je ferais à la place

Pour sortir du débat, je testerais d’abord ceci : écrire des critères d’acceptabilité publics, testables et contestables. Mesure le délai de bout en bout. C’est le seul moyen de voir si l’amélioration locale change vraiment le service rendu. Regarde qui récupère le travail restant. Une optimisation peut simplement déplacer la charge d’un poste vers un autre. Relier chaque sortie IA à la règle métier ou à la source qui la justifie. À ce stade, la meilleure documentation reste souvent le processus tel qu’il se passe un mardi ordinaire.

Séparer recommandation, décision et exécution afin que la responsabilité reste visible. Ce choix évite surtout que le gain affiché d’un côté réapparaisse sous forme de relecture de l’autre.

Tester les cas rares, les personnes atypiques et les dossiers incomplets, pas seulement le cas moyen. L’intérêt est surtout de créer un critère observable. Si personne ne peut dire si ce point est respecté, la règle restera décorative.

Mesurer la reprise humaine et les corrections, car elles révèlent souvent le vrai coût du système. Le but n’est pas d’ajouter une couche de procédure. C’est de rendre visible la décision qui existait déjà, souvent de manière implicite.

La limite à garder en tête

Dans les usages qui touchent des droits, l’emploi, l’accès à un service ou une décision ayant un effet sur une personne, le contrôle humain, la traçabilité et la non-discrimination doivent être pensés avant le gain de productivité. Une recommandation automatisée ne doit pas devenir une décision de fait par simple habitude.

La dernière question est celle qu’on pose rarement dans les démonstrations : écrire des critères d’acceptabilité publics, testables et contestables. C’est moins spectaculaire qu’une démo, mais beaucoup plus utile pour faire tenir l’usage dans le temps.