Il y a deux ans, les responsables technologiques du secteur public se demandaient si l’IA était prête à être mise en œuvre dans leur domaine. Aujourd’hui, le débat porte davantage sur la mise en œuvre, avec un clivage plus net entre les administrations qui progressent et celles qui en sont encore aux premières étapes de leur déploiement.

Les opportunités d’accélérer les services du secteur public sont omniprésentes, qu’il s’agisse de passer à l’automatisation par l’IA pour réduire les tâches administratives manuelles ou de signaler un nid-de-poule via une application municipale et d’obtenir une solution avant le lendemain matin grâce à Salesforce,¹ les résultats positifs sont bien réels et reproductibles, mais uniquement pour les administrations qui disposent des bases nécessaires.

Le fossé en matière de mise en œuvre de l’IA est bien réel, mais les opportunités le sont tout autant.

Les responsables gouvernementaux comprennent globalement ce que l’IA peut apporter : des économies, des services améliorés, des prises de décision plus rapides. Alors que les collectivités territoriales et locales sont ouvertes à l’adoption de solutions d’IA, la plupart des projets pilotes échouent.

Ce fossé tient à la séquence des étapes, et non à la vision. Les organisations qui investissent d’abord dans l’infrastructure de données, la numérisation des processus et les capacités d’analyse ont nettement plus de chances de voir leurs initiatives en matière d’IA dépasser les attentes. La raison est d’ordre architectural :

  • L’infrastructure de données est la couche porteuse. Cela signifie non seulement disposer de données, mais aussi disposer de données structurées de manière cohérente et accessibles à travers des systèmes qui n’ont jamais été conçus pour communiquer entre eux. Sans cela, les modèles d’IA fonctionnent à partir d’entrées incomplètes ou contradictoires et produisent des résultats auxquels on ne peut pas se fier à grande échelle.
  • La numérisation des processus détermine ce sur quoi l’IA peut réellement agir. L’automatisation d’un flux de travail qui repose encore sur des formulaires papier, des chaînes d’e-mails ou des transferts manuels constitue un goulot d’étranglement. Les agences qui obtiennent de réels résultats ont effectué le travail en amont, plus difficile : cartographier les processus de bout en bout, éliminer les lacunes analogiques et créer les pistes de données structurées dont les systèmes intelligents ont besoin pour fonctionner.
  • Les capacités d’analyse bouclent la boucle. Ce sont les outils, les compétences et la culture décisionnelle qui permettent au personnel d’interpréter les résultats des modèles et d’agir en conséquence en toute confiance. L’IA éclaire les décisions ; elle ne les prend pas. Les agences qui n’ont pas développé cette capacité constatent que même les systèmes bien conçus s’enlisent au moment du transfert vers l’intervention humaine.

Pourquoi c’est l’infrastructure, et non les outils d’IA, qui constitue le véritable point de départ de la modernisation.

La plupart des administrations ne sont pas confrontées à des obstacles en matière d’accès à l’IA. Ce qui freine les programmes, ce sont les données bloquées derrière le pare-feu, fragmentées entre des systèmes hérités et dont le format n’est pas harmonisé. Une administration peut disposer de dizaines de bases de données sans pour autant disposer d’un moyen fiable d’effectuer des requêtes sur l’ensemble de celles-ci.

La migration vers le cloud résout le problème de l’accès à l’infrastructure. Ce qu’elle ne peut pas résoudre à elle seule, et ce que la plupart des feuilles de route de modernisation sous-estiment, c’est l’environnement de données gouverné et interopérable dont l’IA a besoin pour être utile sur le plan opérationnel. Construire l’architecture qui permet aux données de circuler de manière sécurisée et ciblée au sein d’une organisation, voilà le véritable enjeu. C’est cette distinction qui distingue les programmes dotés de moyens financiers suffisants de ceux qui s’enlisent après le premier projet pilote.

Les agences qui ont comblé cette lacune considèrent l’infrastructure de données comme un prérequis stratégique :

  • Une gouvernance à l’échelle de l’entreprise, avec des politiques claires en matière de collecte, d’accès, de partage, etc.
  • Une architecture cloud évolutive permettant aux données de circuler entre des systèmes auparavant cloisonnés.
  • Une responsabilité de direction dédiée, incarnée par des rôles tels que le directeur des données (Chief Data Officer) et le directeur de l’IA (Chief AI Officer).

À quoi cela ressemble-t-il dans la pratique ?

Le cas d’un comté de Floride à la pointe illustre où commence le véritable travail. Utilisant des plateformes Microsoft mais ne disposant pas d’une infrastructure cloud sécurisée et reproductible, le comté s’est associé à Randstad Digital pour mettre en place un modèle opérationnel Azure Government Community Cloud gouverné et internaliser une plateforme essentielle de business intelligence dédiée aux services publics, éliminant ainsi la dépendance vis-à-vis de tiers pour les données opérationnelles et créant une source d’information unique et fiable.

Il en a résulté un modèle réutilisable sur lequel tout service futur pourra s’appuyer sans avoir à repartir de zéro. C’est désormais cette base qui rend possible l’adoption de l’IA : les données sont structurées, accessibles et gouvernées. Les modèles disposent ainsi d’une base fiable sur laquelle s’appuyer.

Voilà à quoi ressemble concrètement la mise en œuvre de l’IA à ses tout premiers stades. Toutes les étapes ne constituent pas un déploiement d’IA, mais sans elles, aucun déploiement d’IA ne peut aboutir.

les contrôles de gouvernance qui permettent à l'IA de se développer de manière responsable.

À mesure que les agences dépassent le stade des projets pilotes, les systèmes d'IA, en particulier lorsqu'ils évoluent vers des agents autonomes, présentent des risques qui doivent être gérés dans le cadre du modèle opérationnel. Une approche pratique de la gouvernance couvre plusieurs domaines :

  • Inventaire des systèmes d’IA et classification des risques. Les organismes doivent disposer d’une visibilité sur chaque système d’IA présent dans leur environnement, y compris ceux intégrés aux plateformes des fournisseurs, afin que la supervision puisse être adaptée à l’impact réel.
  • Gestion des identités et des accès pour les agents IA. Les agents nécessitent des identités définies et des contrôles tout au long de leur cycle de vie. Les accès doivent être délimités et limités dans le temps. Les actions ayant un impact plus important doivent être soumises à une validation humaine.
  • Contrôles de sécurité adaptés à l’IA. Au-delà des vulnérabilités traditionnelles, cela implique de prendre en compte des risques tels que l’injection de prompts et l’empoisonnement des données, grâce à des tests préalables au déploiement et à la mise en place de mesures de protection architecturales.
  • Auditabilité et surveillance. Les systèmes d’IA ont besoin de pistes d’audit fiables couvrant les entrées, les actions et les résultats, avec une surveillance continue des performances et de la cohérence comportementale.
  • Gouvernance des données et confidentialité. Les informations sensibles doivent être traitées dans des limites claires, avec des contrôles garantissant la conformité et une utilisation responsable.
  • Supervision humaine. La responsabilité incombe aux responsables humains. De nombreuses agences alignent leurs contrôles sur des référentiels tels que le cadre de gestion des risques liés à l’IA et le cadre de cybersécurité du NIST.

Ensemble, ces éléments permettent à l’IA de se développer de manière explicable et conforme aux attentes du public.

Conclusion.

Les agences qui comblent leur retard en matière d’IA ne sont pas nécessairement celles qui disposent des budgets les plus importants. Ce sont celles qui ont su suivre la bonne séquence : poser très tôt les bases en matière de données et de cloud, et mettre en place une gouvernance dès le départ. La mise en place de ces fondations demande du temps. Une fois en place, elles transforment les possibilités et accélèrent la capacité des administrations à produire des résultats. L’IA passe alors de succès ponctuels à une capacité reproductible, intégrée dans les méthodes de travail.

Randstad Digital accompagne les organismes du secteur public tout au long de ce parcours, depuis la modernisation du cloud et les programmes de cybersécurité « zero-trust », jusqu’à ServiceNow, Salesforce et Azure, en passant par l’intelligence des données et la mise en œuvre responsable de l’IA. Nous posons les bases, mettons en œuvre la gouvernance et intégrons l’IA à l’échelle des opérations quotidiennes. Contactez Randstad Digital dès aujourd’hui.