Pourquoi cette réforme existe
ANALYSE La mesure 3.04 ne doit pas être lue comme un slogan de suppression. Son objet est de transformer une intention de réforme en décision vérifiable. L’enjeu n’est plus de savoir si des agents testeront l’IA, mais de construire un cadre commun qui évite la multiplication d’outils non maîtrisés. La DINUM a désormais un socle interministériel et des guides d’usage ; le volume Agences doit s’appuyer sur cette infrastructure plutôt que laisser chaque entité acheter son propre assistant isolé. Cette distinction est indispensable : la Bible France cherche à savoir ce qui doit changer, pourquoi, avec quel véhicule juridique et avec quel effet net pour le contribuable et l’usager. [1]
Preuve au point d’usage : DINUM — infrastructure sécurisée pour l’IA ↗
Ce que la mesure change réellement
ANALYSE La proposition est la suivante : Industrialiser les usages utiles de l’IA pour la recherche documentaire, le classement, la rédaction assistée et l’analyse de dossiers, avec validation humaine, sécurité des données et mesure des gains avant généralisation. Elle s’inscrit dans le volume consacré aux agences et opérateurs, où l’objectif général n’est pas de nier les missions publiques mais de tester la valeur de chaque couche institutionnelle. Une fonction utile peut être conservée alors que son organisation change profondément ; inversement, une petite structure peut être maintenue si son autonomie protège une expertise ou une impartialité irremplaçable.
Méthode d’exécution et calendrier
EXÉCUTION Chaque opérateur établirait une carte de tâches : automatisables, assistables, sensibles ou interdites. Les cas d’usage à faible risque seraient testés avec un protocole avant/après ; les décisions concernant les personnes resteraient sous responsabilité humaine. Les modèles, journaux, données et coûts de calcul seraient mutualisés lorsque possible. Le calendrier doit comporter un état zéro, un scénario cible, une phase de transition et une date de mesure à régime permanent. Aucun gain ne doit être revendiqué pendant une période où ancien et nouveau dispositifs fonctionnent en parallèle sans isoler ce double coût.
Chiffrage : ne jamais confondre enveloppe et économie
CHIFFRAGE Pour l’IA, le coût de référence est le temps humain actuel plus les logiciels utilisés. Le scénario cible ajoute inférence, hébergement, intégration, contrôle humain, tests, cybersécurité et maintenance. L’économie nette correspond uniquement au temps ou aux dépenses effectivement évités après ces coûts. Les heures « gagnées » mais non redéployées ni converties en capacité supplémentaire restent un indicateur de productivité, pas une économie budgétaire.
Économie nette récurrente = coûts supprimés − coûts recréés − charges transférées − coûts récurrents résiduelsPreuve au point d’usage : DINUM — Albert API, socle d’IA générative pour les services publics ↗
Contrôle, données et indicateurs
CONTRÔLE La réforme doit produire un tableau de bord spécifique : Temps moyen par tâche avant/après ; taux de reprise humaine ; erreurs critiques ; coût par dossier assisté ; part des usages sur infrastructure autorisée ; incidents de données ; heures effectivement redéployées vers le service. Ces indicateurs sont publiés avant et après la transformation. Lorsque l’effet recherché est qualitatif — délai plus court, responsabilité plus claire ou meilleure disponibilité des données — il est mesuré comme tel et non converti artificiellement en euros.
Objections et garde-fous
ANALYSE L’objection centrale est réelle : Le principal risque n’est pas seulement l’erreur factuelle : il faut aussi prévenir les fuites de données, le biais d’automatisation, l’illusion de productivité et la dépendance à un fournisseur. Une économie annoncée ne vaut que si le temps libéré est mesuré et réellement réaffecté à une mission utile. Le garde-fou consiste à documenter le scénario contrefactuel, à maintenir les obligations légales et la continuité de service, puis à organiser une revue indépendante après douze et vingt-quatre mois. Une réforme est corrigée si les coûts se déplacent au lieu de disparaître ou si la qualité se dégrade.
Décision publique et critères de réussite
ANALYSE Le déploiement n’est généralisé que si chaque usage dispose d’un responsable, d’un jeu de tests, d’un contrôle humain adapté et d’une mesure avant/après. Le rapport publie le temps réellement gagné, le taux de reprise, les erreurs critiques, les incidents de données et le coût de calcul. Un assistant spectaculaire qui ne réduit ni délai ni coût n’est pas compté comme transformation réussie.
Dossier spécifique : ce qui doit être démontré
Commencer par les tâches, pas par le prestige technologique
Chaque agence doit inventorier les tâches documentaires répétitives : recherche dans un corpus, classement de pièces, résumé, extraction de données, préparation d’un courrier, détection d’incohérences. Chaque cas d’usage reçoit quatre attributs : valeur attendue, sensibilité des données, possibilité de contrôle humain et coût d’une erreur. Les tâches à faible risque peuvent être testées vite ; celles qui affectent des droits, des sanctions ou des décisions individuelles exigent un cadre plus strict. La DINUM fournit déjà Albert API comme socle mutualisable. [1]
Séparer assistance, automatisation et décision
Un assistant qui suggère un brouillon n’a pas le même risque qu’un système qui classe automatiquement un usager ou déclenche un contrôle. Le registre des usages doit dire qui valide, quelles données sont envoyées au modèle, quels journaux sont conservés et comment un agent peut contester la sortie. Le règlement européen sur l’IA et les recommandations de la CNIL obligent précisément à raisonner par niveau de risque, gouvernance des données et contrôle. [3][4]
Mesurer le coût d’inférence et les erreurs
Une démonstration spectaculaire n’est pas un business case. Pour chaque processus, l’expérimentation mesure minutes économisées, taux de reprise humaine, erreurs critiques, faux positifs, volume de requêtes, coût d’inférence et coût de supervision. Les tarifs et limites du socle technique permettent d’intégrer le coût d’usage au calcul plutôt que de présenter l’IA comme gratuite. [5] Le gain n’est retenu que si le temps libéré est réellement redéployé ou permet d’éviter une dépense.
Prévenir la dépendance et l’IA fantôme
Le cadre commun doit éviter que chaque organisme achète un assistant isolé avec ses propres conditions de sécurité. Les données sensibles restent sur des infrastructures autorisées ; les modèles et prompts critiques sont versionnés ; les incidents sont déclarés ; un mode dégradé permet de poursuivre la mission sans IA. L’objectif est moins de choisir un « modèle gagnant » que de rendre les usages réversibles, auditables et compatibles avec les obligations publiques.
Tracer les données, les modèles et les décisions
Pour chaque usage d'IA, le registre technique doit indiquer la source des données, leur niveau de sensibilité, le modèle utilisé, sa version, les paramètres essentiels, la durée de conservation des journaux et l'identité du responsable métier. Une sortie générative ne doit pas être confondue avec une décision administrative : si elle influence un droit, une sanction ou un contrôle, le chemin de validation humaine doit être explicite. La traçabilité doit permettre de rejouer un incident, de comprendre pourquoi un agent a accepté une suggestion et de retirer rapidement un modèle ou une base documentaire défaillante sans immobiliser tout le service.
Tester l’échec avant de compter le gain
Le pilote doit être volontairement confronté à des dossiers incomplets, contradictoires, atypiques ou rédigés dans un vocabulaire inhabituel. Les équipes mesurent hallucinations, omissions, biais de classement, fuites potentielles de données et surconfiance des utilisateurs. Un mode dégradé sans IA doit rester documenté. Le gain de productivité n'est validé qu'après mesure du taux de correction humaine, des incidents graves et de la stabilité du coût par dossier sur un volume représentatif. Cette approche évite de généraliser un démonstrateur séduisant qui ne résiste ni à la diversité des cas réels ni aux contraintes de sécurité.
Les données à publier pour rendre la mesure contestable
Le registre public des usages contient le nom du processus, la finalité, la catégorie de données, le fournisseur ou modèle, le responsable humain, le protocole de test, la date de mise en production et les incidents significatifs. Les prompts ou données protégées n’ont pas à être publics, mais la méthode doit permettre de comprendre comment une erreur est détectée, corrigée et attribuée.
Test grandeur nature : trois usages, trois niveaux de risque
Le pilote associe recherche documentaire interne, pré-remplissage d’un dossier et classement d’une demande sensible. Le premier peut être largement assisté ; le deuxième nécessite validation systématique ; le troisième ne peut être généralisé qu’après analyse juridique, tests de biais et procédure de recours. Le même tableau publie gains de temps et erreurs, ce qui empêche de sélectionner uniquement les démonstrations les plus flatteuses.
Passer des démonstrateurs d’IA à une comptabilité des gains réels
L’État dispose déjà d’un socle mutualisé
Albert API, opéré par la DINUM, centralise l’accès à plusieurs modèles dans un environnement public mutualisé. La documentation 2026 indique plus de 70 projets publics et plus de 100 000 requêtes hebdomadaires, avec un hébergement souverain pour les usages couverts par l’homologation. Cela change la logique économique : une agence n’a pas nécessairement intérêt à acheter son propre socle d’inférence si une infrastructure interministérielle répond au besoin.
Le bon indicateur est le temps utile réellement économisé
Un cas d’usage doit être chronométré sur un échantillon représentatif : temps moyen avant IA, temps moyen avec IA incluant la vérification humaine, taux d’erreur, nombre de dossiers concernés et coût complet du service. La valeur annuelle n’est crédible que si le gain de temps est effectivement réalloué à une mission ou permet une baisse de coût ; un « temps gagné » qui ne change ni capacité ni effectif n’est pas automatiquement une économie budgétaire.
La sécurité et le coût de production doivent être dans le même tableau
L’accès expérimental à Albert API peut être gratuit pour les agents de l’État, mais la DINUM explique que les usages de production à plus grand volume nécessitent quotas, cofinancement et ressources de calcul. Le business case doit donc inclure intégration, GPU, licences éventuelles, maintenance, formation, audits, gouvernance des données et continuité de service. Un pilote positif n’autorise pas à extrapoler un rendement national sans cette couche de coût.
Choisir des cas où l’erreur est détectable
Les premiers usages devraient viser des tâches où un agent peut rapidement contrôler le résultat : recherche documentaire, synthèse, classement, transcription, préparation d’un brouillon ou extraction de champs. Les décisions individuelles à fort impact exigent une gouvernance plus lourde et parfois un cadre juridique spécifique. Cette gradation réduit le risque de transformer une expérimentation de productivité en automatisation précipitée d’une décision publique.
Chaque cas d’usage doit conserver un échantillon témoin sans IA pendant la phase de test. On peut alors comparer temps, taux d’erreur, taux de reprise par l’agent et satisfaction. Sans groupe de référence, le gain annoncé repose sur une impression et non sur une mesure.
Une économie d’IA doit être observable dans le budget ou la capacité
Si un outil fait gagner dix minutes sur une tâche mais que le volume traité reste identique et qu’aucun coût n’est évité, le bénéfice existe peut-être en confort de travail mais ne doit pas entrer comme économie budgétaire. À l’inverse, si le même effectif absorbe une hausse de dossiers, si une prestation externe disparaît ou si un recrutement est évité, le gain devient mesurable.
La fiche financière doit donc choisir l’unité adaptée : euros économisés, dossiers supplémentaires, délai réduit ou qualité améliorée. Additionner ces unités dans un total monétaire sans conversion explicite serait une nouvelle source de double compte.
Documents à suivre
DINUM — Albert API, usages et statistiques ↗ · DINUM — tarifs, quotas et cofinancement ↗ · DINUM — infrastructure sécurisée ↗
Cette mesure dans le système
La mesure 3.04 s’évalue avec les mesures voisines du volume : une mutualisation, une fusion ou une réintégration ne doit jamais compter deux fois la même économie.
Plans A / B / C — exécution et solution de repli
Plan A — IA ciblée, contrôlée et mesurable
Déployer l’intelligence artificielle uniquement sur des processus identifiés où l’automatisation peut réduire un délai, une charge de saisie ou un coût documentaire : classement, extraction, recherche, pré-remplissage ou détection d’anomalies. Chaque cas d’usage possède un responsable, une base légale de traitement, une analyse de risques, des données de test et une validation humaine lorsque la décision produit un effet sur une personne. Les coûts d’inférence, de cybersécurité, d’intégration et de contrôle sont intégrés au calcul. Le gain n’est budgétaire que si du temps, des contrats ou des dépenses sont effectivement supprimés ou redéployés avec une décision explicite.
Plan B — bac à sable interministériel
Si les opérateurs ne sont pas prêts à déployer en production, créer un environnement commun de test avec jeux de données maîtrisés, composants homologués et métriques comparables. Les organismes expérimentent quelques tâches sans connecter immédiatement l’outil aux décisions sensibles. Les résultats publient précision, erreurs, temps économisé, coût par requête, incidents et charge de supervision. Seuls les cas démontrant un bénéfice supérieur au coût complet passent en production. Ce repli évite une diffusion opportuniste de dizaines d’outils incompatibles et fournit une base de choix technique à l’ensemble des tutelles.
Plan C — automatisation non générative et qualité des données
Si l’IA générative ou prédictive reste trop risquée pour certains processus, concentrer l’investissement sur les règles métier, la dématérialisation, les API, la qualité des référentiels et l’automatisation déterministe. Les gains de délai et de fiabilité sont mesurés de la même manière. Aucun bénéfice n’est attribué à l’IA si le résultat provient en réalité d’une simplification de formulaire ou d’un échange de données. Ce plan minimal améliore l’infrastructure nécessaire à une future IA tout en produisant des gains contrôlables sans exposer les usagers à un modèle insuffisamment maîtrisé.
Notes et sources
- DINUM — Albert API, socle d’IA générative pour les services publics — document institutionnel utilisé pour le cadre, les données ou la base juridique de cette mesure.
- DINUM — infrastructure sécurisée pour l’IA — document institutionnel utilisé pour le cadre, les données ou la base juridique de cette mesure.
- CNIL — Guide pratique sur l’intelligence artificielle — document institutionnel utilisé pour le cadre, les données ou la base juridique de cette mesure.
- Règlement européen sur l’intelligence artificielle — texte officiel — document institutionnel utilisé pour le cadre, les données ou la base juridique de cette mesure.
- DINUM — tarifs et limites d’Albert API — document institutionnel utilisé pour le cadre, les données ou la base juridique de cette mesure.
