Lorsque les villes commencent à « savoir à l’avance » grâce à l’IA : les services publics passent de la réponse réactive à une gouvernance prédictive

Les gouvernements des États et des collectivités locales aux États-Unis entrent dans un tournant à la fois subtil et décisif : l’IA ne sert plus seulement à rédiger des rapports, à faire des résumés ou à répondre aux demandes internes ; elle commence à pénétrer le cœur des processus de service public, devenant la « couche de connexion » entre le trafic, la sécurité, la ligne d’assistance 311, l’urbanisme et la coordination entre services.

Cet article de cas, repris par Government Executive et soutenu par Google Public Sector, envoie un signal clair : les gouvernements d’État et locaux ne se satisfont plus des « projets pilotes ». Ils commencent à déployer des agents d’IA en environnement de production, transformant des processus urbains auparavant dispersés, lents et dépendants d’une chaîne de travail humaine en systèmes plus en temps réel, plus unifiés et davantage automatisables.

Il ne s’agit pas seulement d’une montée en puissance technologique, mais d’un changement dans la logique même de la gouvernance urbaine.

Le point de départ de la gouvernance urbaine passe de « quelqu’un se plaint » à « le système détecte d’abord »

La logique de base de la gestion urbaine traditionnelle est simple : les habitants constatent un problème, déposent une demande, le service concerné répond, puis il faut attendre le traitement. Ce processus n’est ni efficace ni même naturellement réactif : nids-de-poule, dépôts sauvages, chaussées endommagées, congestion et risques de sécurité n’entrent vraiment dans le système de gouvernance qu’après avoir été vus et signalés par un nombre suffisant de personnes.

Le système MyLA311 de Los Angeles en est un point d’entrée typique. La ville traite chaque année près de 3 millions de demandes de service et de requêtes, notamment sur les dépôts sauvages, les graffitis, les problèmes de voirie et l’enlèvement des encombrants. La position du CIO de la ville, Ted Ross, est très directe : l’objectif à venir n’est pas de continuer à faire en sorte que les habitants « disent à la ville ce qui ne va pas », mais de permettre à la ville de savoir elle-même en premier qu’un problème existe, puis d’agir plus vite.

Ce qui est vraiment important derrière cette phrase, ce n’est pas « l’IA peut-elle reconnaître les problèmes ? », mais le fait que la ville commence à déplacer sa capacité de perception en amont.

Lorsque la vision par ordinateur, l’acheminement automatique des demandes, les moteurs de règles en arrière-plan et l’exécution automatisée s’intègrent progressivement aux processus municipaux, 311 n’est plus seulement un canal de plaintes, mais devient une couche de perception en temps réel de la ville. En d’autres termes, la voix des citoyens reste importante, mais elle n’est plus le seul moyen pour la ville de détecter les problèmes. Les infrastructures urbaines, les actifs de voirie, les comportements liés à la circulation et les demandes de service commencent ensemble à former un réseau dynamique de signaux.

C’est le prélude au passage d’un « pilotage réactif » à une « gouvernance prédictive » des systèmes urbains.

La sécurité routière passe de la statistique des accidents à la modélisation des risques

Si 311 illustre l’automatisation des services urbains, l’évolution des services de transport montre plus encore comment l’IA redéfinit la gestion des infrastructures urbaines.

Dans le cas de CALSTA, l’agence des transports de Californie, l’analyse de la sécurité routière reposait auparavant sur une intégration manuelle de grandes quantités de données, et il fallait souvent des semaines, voire des mois, pour produire un rapport exploitable pour la décision. Désormais, grâce à des simulations IA, des modèles d’apprentissage automatique et l’intégration des données, le temps d’analyse a été réduit à quelques minutes, permettant aux villes d’identifier, avant qu’un accident ne se produise, les intersections à haut risque et les points de conflit potentiels.Ce changement a une grande portée.

La gouvernance des transports a longtemps eu l’habitude de définir le risque à partir des « résultats » : là où il y a beaucoup de morts et de blessés, c’est un carrefour dangereux. Mais ce dont les villes ont réellement besoin, c’est d’une capacité à identifier les « risques a priori », c’est-à-dire à intervenir avant même qu’un accident ne survienne. La valeur de l’IA ne réside pas seulement dans sa capacité à trouver plus vite la réponse, mais dans sa capacité à changer la manière dont le problème est défini.

Le cas de la Californie et celui d’autres villes convergent vers la même tendance : les services de transport ne se contentent plus de construire des routes, tracer des lignes ou délivrer des permis ; ils ressemblent de plus en plus à un système de décision en temps réel qui intègre données de capteurs, accidents historiques, droit de passage, plans de chantier et comportements de déplacement. Qu’il s’agisse des objectifs Vision Zero, ou de l’évaluation en amont de nouveaux passages piétons, de l’optimisation des flux de circulation ou de la reconfiguration des carrefours, tout cela exige une infrastructure de données plus continue.

C’est aussi pour cela que les futurs systèmes de transport dépendront de plus en plus de l’IA : non pas parce qu’elle serait « plus intelligente », mais parce que la gestion traditionnelle des transports urbains ne peut plus supporter la pression du volume de données, de la vitesse de réponse et de la coordination interservices.

Ce dont les services de transport ont réellement besoin, ce n’est pas de plus d’outils, mais d’une base de données unifiée

Le cas du département des transports de l’Utah, l’UDOT, révèle un autre problème plus fondamental : pour beaucoup de villes et de gouvernements d’État, la difficulté de la transformation numérique ne vient pas d’un manque d’applications, mais d’un manque d’architecture unifiée.

Le responsable de l’UDOT a décrit l’ancienne manière de moderniser les systèmes comme du « Frankensteining » — c’est-à-dire assembler des morceaux de systèmes hérités comme un monstre cousu de bric et de broc. À court terme, de tels systèmes peuvent peut-être fonctionner, mais ils deviennent rapidement un ensemble de silos de données, d’interfaces fragmentées et de processus brisés. Le problème ne tient pas seulement à la maintenance : c’est surtout que les nouvelles technologies ne peuvent tout simplement pas déployer pleinement leur potentiel.

L’UDOT a ainsi utilisé Google Vision AI pour mener à bien une tâche d’identification de parcelles à l’échelle de l’État, qui devait initialement nécessiter 33,5 années de travail humain, et l’a terminée en moins de 12 mois.

Ce qu’il y a de plus remarquable dans ce type de cas n’est pas seulement le fait d’« avoir économisé du temps » — bien que cette compression du temps soit déjà en soi stupéfiante —, mais qu’il montre que la gouvernance des infrastructures à l’échelle de l’État entre dans une nouvelle phase : les villes et les gouvernements d’État commencent à considérer la base de données comme une capacité publique, et non comme un simple appendice informatique.

Une fois la base unifiée, l’IA peut réellement s’intégrer dans les processus interservices : comment la sécurité est affectée par les chantiers, comment les chantiers influencent la maintenance, comment la maintenance affecte l’exploitation, et comment l’exploitation influence à son tour les priorités de financement. Ces maillons apparemment dispersés relèvent en réalité d’un même système de fonctionnement urbain.

À l’avenir, la compétition entre villes ne portera peut-être plus seulement sur le budget et les capacités d’ingénierie, mais sur la rapidité avec laquelle elles auront établi une architecture de gouvernance fondée sur une « source unique de vérité » (single source of truth).

L’intérêt des agents IA ne réside pas dans le remplacement des fonctionnaires, mais dans la réécriture des workflows

Quand beaucoup de gens parlent des applications de l’IA dans le secteur public, ils en restent facilement à la question du « gain d’efficacité ». Mais ce que ce cas met vraiment en lumière, c’est la restructuration de la manière de travailler dans le secteur public.Ce que cette affaire indique réellement cette fois, c’est la recomposition des modes de fonctionnement du secteur public.

Ce que l’on appelle l’ère agentic ne désigne pas un système qui sait mieux converser, mais le fait que les agents IA commencent à assumer des tâches plus concrètes de découpage du travail, de déclenchement des processus, de synthèse d’informations et d’opérations inter-systèmes. Ils relient en un flux de travail continu des actions autrefois dispersées entre différents services, différentes bases de données et différentes étapes d’approbation.

L’impact de cela sur la gestion urbaine se manifeste au moins à trois niveaux.

Premièrement, l’anticipation des décisions. La ville n’a plus besoin d’attendre que les problèmes s’accumulent au point de devenir suffisamment graves pour lancer un processus.

Deuxièmement, l’automatisation des réponses. Les tâches très répétitives et fortement structurées peuvent être prises en charge par le système, tandis que les fonctionnaires humains se recentrent sur la gestion des exceptions, l’arbitrage des politiques publiques et la communication avec le public.

Troisièmement, la personnalisation des services. Qu’il s’agisse de sécurité publique, de transport ou de services aux citoyens, la ville peut fournir un soutien plus finement granulé à différentes communautés sur la base des données, plutôt que d’adopter une solution moyenne uniforme.

Mais cela signifie aussi que la gouvernance urbaine voit ses exigences en matière de qualité des données, de standardisation des processus et d’interopérabilité des systèmes augmenter comme jamais auparavant. L’IA ne guérira pas automatiquement la fragmentation des systèmes bureaucratiques ; au contraire, elle amplifiera cette fragmentation en la transformant en frictions de gouvernance plus visibles.

Le véritable tournant des villes intelligentes, c’est le passage de l’« écran de démonstration » au « système d’exécution »

Au cours des dix dernières années, de nombreux projets de villes intelligentes ont privilégié les technologies de démonstration : grands écrans, tableaux de bord, centres de commandement urbain, systèmes de visualisation à l’apparence très avancée. Ils peuvent afficher l’état de la ville, mais ne modifient pas nécessairement son mode de fonctionnement.

Le changement actuel est différent.

Lorsque l’IA commence à s’intégrer aux systèmes de gestion des tickets, à l’analyse du trafic, à l’identification des parcelles et à la coopération entre services, la ville intelligente passe réellement de la « vision de la ville » à l’« opération de la ville ». Cela signifie que la plateforme urbaine ne se contente plus de présenter des données, mais commence à participer aux décisions, à coordonner les ressources, à déclencher des tâches et à réduire les temps d’attente.

C’est aussi pourquoi le concept de « système d’exploitation urbain » devient de plus en plus concret. Il n’apparaît pas forcément sous une marque unique, mais, sur le plan fonctionnel, il commence déjà à prendre forme : agrégation de données multi-sources, unification des permissions et des règles, prise en charge du raisonnement des modèles, connexion des services frontaux, et aide aux décideurs publics à prendre de meilleures décisions en moins de temps.

De ce point de vue, l’IA n’a pas rendu la ville « plus futuriste » ; elle l’a rendue plus semblable à une organisation capable de s’ajuster en temps réel.

Mais plus intelligent ne veut pas dire plus équitable

L’article revient à plusieurs reprises sur l’efficacité, la précision et la productivité, et c’est précisément la partie sur laquelle les gouvernements parviennent le plus facilement à un consensus lorsqu’ils adoptent l’IA. Pourtant, le véritable défi du secteur public n’a jamais été de « pouvoir aller plus vite », mais de savoir si « un système plus rapide est aussi plus juste ».

Les problèmes de rues à la Chicago, l’encombrement des lignes 311 à la Los Angeles, ou la sécurité routière à la californienne, semblent à première vue relever de l’efficacité opérationnelle ; en réalité, ils touchent tous à la répartition des ressources, à la visibilité des communautés et aux priorités des politiques publiques. L’IA peut aider la ville à repérer plus vite les problèmes, mais elle peut aussi, en raison de biais dans les données, de biais des modèles ou d’un accès inégal aux systèmes, renforcer des inégalités spatiales déjà existantes.Ainsi, la gouvernance urbaine de demain ne nécessitera pas seulement des capacités de déploiement de l’IA, mais aussi la gouvernance des données, l’audit des modèles, des mécanismes de transparence et des cadres de responsabilisation. Autrement dit, une fois l’IA intégrée aux services publics, la gouvernance numérique deviendra plus importante que jamais.

Car lorsque les décisions d’une ville dépendent de plus en plus des systèmes, la ville ne peut plus seulement se demander « que peut faire le système ? » ; elle doit aussi se demander « sur quoi le système fonde-t-il ses décisions ? »

La concurrence entre les villes de demain se déplace vers la concurrence des capacités numériques

Ce qui mérite le plus d’attention à long terme dans cette étude de cas n’est pas un produit particulier ni un lancement précis, mais le nouveau consensus qui se forme entre les gouvernements des États et les autorités locales : la numérisation des services publics est passée d’une tâche périphérique à une capacité centrale.

La sécurité routière, la sécurité publique, les services du quotidien, la planification, et même la gestion des grands événements, commencent tous à être intégrés dans une même logique fondée sur les données. Les agents IA, les plateformes de données unifiées, les flux de travail automatisés et les capacités d’analyse en temps réel deviennent l’infrastructure de gouvernance urbaine de nouvelle génération.

Au cours des prochaines années, les villes qui se démarqueront vraiment ne seront peut-être pas seulement celles qui disposent de davantage de caméras ou d’un budget cloud plus important, mais celles qui sauront transformer ces capacités en valeur publique durable : des réponses plus rapides, moins de dommages, une plus grande transparence, davantage de coordination interservices et moins de temps administratif perdu à cause de systèmes hérités qui freinent l’action.

Les villes ressembleront de plus en plus à des réseaux temps réel fonctionnant à haute fréquence. La question n’est pas de savoir si elles deviendront plus intelligentes, mais qui saura transformer cette intelligence en capacité publique plus tôt que les autres.

Conclusion

Si l’IA entre dans la gouvernance urbaine, ce n’est pas parce que les villes se sont soudainement mises à « aimer la technologie », mais parce que les modèles traditionnels de services publics ne sont plus en mesure de soutenir la complexité des villes contemporaines.

La sécurité routière ne peut pas reposer uniquement sur des bilans après accident, le 311 ne peut pas dépendre uniquement des plaintes, la planification des transports ne peut pas se contenter d’une longue intégration humaine, et les systèmes gouvernementaux ne peuvent pas continuer à fonctionner sur la base d’architectures héritées rafistolées. Ce dont les villes ont besoin, c’est d’une infrastructure numérique capable de percevoir, de décider, de coordonner et d’exécuter.

En ce sens, l’IA n’est pas un simple ornement de la gouvernance urbaine, mais la porte d’entrée vers une mise à niveau du système d’exploitation de la ville.

Et les villes qui accompliront cette mise à niveau en premier ne seront pas seulement plus efficaces ; elles seront aussi mieux armées pour définir les normes de la prochaine génération de services publics.