Quand la ville commence à « voir » tout : comment les données visuelles d’IA réécrivent les frontières de la gouvernance publique

Les villes entrent dans une nouvelle phase de perception. Par le passé, les caméras étaient surtout des dispositifs d’enregistrement ; aujourd’hui, grâce à l’IA et à l’edge computing, elles ressemblent de plus en plus à une composante du système d’exploitation urbain — identifiant en continu les flux de circulation, les comportements anormaux, les événements dangereux et la pression sur les infrastructures, puis transmettant ces informations en temps réel aux ingénieurs du trafic, aux systèmes de sécurité et aux plateformes d’exploitation.

L’exemple de Brownsville, au Texas, aux États-Unis, en fournit un cas très représentatif. Les autorités locales utilisent une solution de ville intelligente intégrée par SHI International, qui s’appuie sur l’analyse par IA des données visuelles pour surveiller les foules, les dépôts sauvages, les vols de véhicules et les risques liés aux armes. Le CIO de la ville, Jorge Cardenas, décrit des situations très concrètes : quelqu’un abandonne des déchets dans l’espace public, un animal se montre agressif, un véhicule est garé à un endroit interdit, quelqu’un tombe dans un parc sans se relever — le système est conçu pour reconnaître tous ces événements.

Ce type d’application montre que l’objectif des technologies visuelles urbaines a déjà changé. Il ne s’agit plus seulement de « voir le problème », mais d’essayer de transformer la gestion urbaine, jusque-là dépendante des patrouilles, des témoins, des plaintes et des enquêtes a posteriori, en un réseau de perception des घटनements plus en temps réel et plus automatisé. Pour une ville frontalière, cette capacité s’accompagne aussi d’exigences de gouvernance spécifiques : Brownsville surveille la possibilité qu’un véhicule volé se dirige vers le Mexique, et les caméras peuvent scanner les plaques d’immatriculation et les comparer aux bases de données des véhicules volés. Ici, le système visuel n’est pas seulement un outil de sécurité publique ; il devient aussi une composante de la gouvernance des flux transfrontaliers.

Mais ce qui mérite vraiment l’attention n’est pas le nombre de scénarios couverts par la technologie, c’est la manière dont la ville commence à redéfinir les frontières de la donnée. Cardenas souligne que les données concernées ne quitteront pas le centre de données municipal, que les droits d’accès sont strictement limités au personnel désigné et que le système est volontairement maintenu en fonctionnement local. Autrement dit, le choix de Brownsville n’est pas de « privilégier le cloud », mais de privilégier la souveraineté — en rapatriant autant que possible les données visuelles, les capacités d’analyse et le contrôle du stockage au sein de l’infrastructure municipale.

Derrière cette architecture se reflète une évaluation réaliste, par les autorités locales, de l’IA urbaine : lorsque la ville utilise les données visuelles pour la gouvernance publique, la question n’est pas seulement de savoir si l’algorithme est précis, mais si la chaîne de données est maîtrisable. Qui peut voir les images brutes ? Les données seront-elles conservées longtemps ? Seront-elles accessibles à des fournisseurs externes ? Pourront-elles être réutilisées ? Ce sont ces questions qui déterminent si la technologie est un outil de gouvernance, ou un risque pour la gouvernance.

Will Greenberg, technicien senior à l’Electronic Frontier Foundation (EFF), souligne que le public et les autorités locales devraient surtout se demander ce qu’il advient des données une fois collectées : combien de temps elles sont conservées, qui peut y accéder, comment elles sont stockées en toute sécurité, et si elles continuent à circuler après avoir été collectées par des caméras urbaines, des capteurs ou des points d’accès Wi‑Fi. En apparence, cette question relève de la vie privée ; en réalité, il s’agit d’une question de gouvernance numérique — elle ne teste pas seulement la présence de technologie dans la ville, mais la capacité de la ville à mettre en place des institutions à la hauteur de cette technologie.L’essai de Las Vegas dans le domaine du trafic montre, lui, l’utilité de cette même technologie dans un autre contexte public. La ville a approuvé un projet d’un an intitulé « advanced traffic safety analysis », déployant à 12 intersections un système composé de caméras et de radars, afin d’identifier le type de véhicule, la vitesse, les plages horaires, les quasi-collisions, les franchissements de feu rouge et d’autres comportements, tout en répondant à la pression concrète exercée par la hausse des accidents graves. L’essentiel ici n’est pas d’avoir des « caméras plus intelligentes », mais de voir l’ingénierie du trafic passer d’une synchronisation statique des feux à une perception en temps réel et à une modélisation des comportements.

Cela signifie que les systèmes de circulation urbaine entrent dans une phase où l’on « pilote à partir des données » plutôt que « règle selon l’expérience ». Par le passé, les services de la circulation devaient le plus souvent se contenter de compteurs limités, d’enquêtes par sondage et de rapports d’accidents a posteriori pour évaluer les problèmes d’intersection ; désormais, l’IA peut distinguer les différents usagers de la route, comme les vélos et les voitures, et fournir des données plus fines pour l’identification des risques et l’optimisation des intersections. La gouvernance du trafic passe ainsi d’une logique de résultat à une logique de processus : il ne s’agit plus seulement de comptabiliser les accidents, mais de détecter autant que possible, en amont, leurs signes précurseurs.

Cette tendance n’est pas propre à Las Vegas. Au cours de l’année écoulée, Oklahoma City a vu ses retards de congestion diminuer de 24 % après avoir appliqué l’analyse du trafic par IA à cinq feux de signalisation ; à Houston, le déploiement d’un système similaire sur un corridor très fréquenté a entraîné une baisse de 15 % de la congestion et de 42 % des franchissements de feu rouge. Ces chiffres proviennent des statistiques des porteurs de projet, mais ils indiquent tous une même direction : la gestion du trafic urbain s’associe désormais à la vision par ordinateur, à l’optimisation en temps réel et au traitement des données en périphérie, pour former un mode de fonctionnement plus proche du « contrôle en boucle fermée ».

Pour les responsables de la ville, l’attrait d’une telle boucle fermée est très concret. Elle peut réduire les files d’attente, améliorer la fluidité, renforcer la détection des risques, et aider aussi la ville, dans un contexte budgétaire tendu, à obtenir une couverture de gestion plus large avec moins de personnel. Mais, dans le même temps, la ville assume aussi de nouveaux coûts institutionnels : si le système filme en continu l’espace public, comment les citoyens peuvent-ils savoir s’ils font l’objet d’une surveillance permanente ? Si les vidéos ne sont « pas conservées après extraction des données », comment cette promesse peut-elle être auditée ? Si le fournisseur ne fournit que la technologie sans accéder aux données, comment définir la frontière des responsabilités dans les clauses d’achat, d’exploitation et de régulation ?

C’est là le changement le plus crucial lorsque l’IA entre dans la ville : la ville n’achète plus seulement des logiciels ou des caméras, elle achète une nouvelle capacité de perception publique. Plus la perception est forte, plus la gouvernance est fine ; plus la gouvernance est fine, plus les exigences de confidentialité, de responsabilité et de transparence sont élevées. La ville doit donc passer de la « gestion de projet » à une véritable « constitution des données » — établir un ensemble de règles concernant la collecte, l’accès, le stockage, la désidentification et la suppression.L’évaluation de Michael Samuelian, responsable du Cornell Tech Urban Technology Center, est particulièrement représentative. Il souligne que les caméras et la vision par ordinateur ne sont pas nouvelles dans les villes, mais que l’IA a « super-boosté » ces capacités de traitement des images. Autrement dit, le changement ne réside pas dans la présence des caméras, mais dans le fait que les données visuelles peuvent désormais être continuellement analysées, classées, utilisées pour générer des alertes et mises en corrélation par des machines. Cela ouvre une nouvelle réalité urbaine : des détails de l’espace public auparavant difficiles à traiter à grande échelle peuvent désormais être intégrés à la cartographie opérationnelle de la ville.

Samuelian insiste également sur le fait que, face à ce type de systèmes, citoyens et responsables publics doivent rester vigilants : la manière dont les données sont collectées, avec qui elles sont partagées et où elles sont finalement stockées doit être encadrée par des règles claires. Pour des usages relativement quotidiens comme la collecte des déchets ou l’optimisation du trafic, il recommande même de dépersonnaliser les visages. Au fond, cette recommandation rappelle aux villes que tout ce qui est « visible » n’a pas nécessairement à être « identifiable », et que tout gain d’efficacité ne doit pas forcément se faire au prix d’un renforcement de la surveillance.

C’est aussi l’une des lignes de partage les plus importantes de la ville du futur. À mesure que les systèmes de vision par IA s’intègrent progressivement au trafic, à la propreté urbaine, à la sécurité des parcs, à la gestion des événements publics et à la régulation des véhicules, la ville ressemblera de plus en plus à un système de calcul en temps réel. Mais une ville numérique véritablement mature ne consiste pas à « voir davantage », elle consiste à « voir avec davantage de limites ». Elle doit pouvoir améliorer la sécurité des carrefours et l’ordre public sans transformer l’espace urbain en zone de collecte indifférenciée de données ; elle doit faire en sorte que la technologie serve la gouvernance, et non que la gouvernance soit entraînée par la technologie.

Sous cet angle, Brownsville et Las Vegas ne représentent pas deux projets isolés, mais deux facettes différentes d’une même trajectoire technologique urbaine : la première met l’accent sur le contrôle localisé et la reconnaissance de multiples scénarios, la seconde sur la sécurité routière et l’efficacité des intersections. Ensemble, elles montrent que les villes font passer les données visuelles du « niveau de l’enregistrement » au « niveau de l’action ».

Et dès lors qu’une ville entre dans le niveau de l’action, la concurrence ne se limite plus au nombre de caméras achetées ou de modèles d’IA connectés, mais à savoir qui peut établir une gouvernance des données plus solide, une infrastructure locale plus fiable, un contrôle d’accès plus clair, et des limites technologiques mieux acceptées par le public. La différenciation des villes du futur ne tiendra peut-être pas à la présence ou non de systèmes intelligents, mais à la question de savoir si ces systèmes restent soumis à des règles publiques.

En ce sens, la vision par IA n’est pas le point d’arrivée de la gouvernance urbaine, mais un nouveau test institutionnel. Elle rend les villes plus agiles, tout en révélant plus clairement leur capacité de gouvernance : peuvent-elles trouver un équilibre entre temps réel et vie privée, établir des interfaces entre automatisation et responsabilité, et maintenir une stabilité entre efficacité numérique et confiance publique.

C’est peut-être là l’enseignement le plus important de ce type de projet : les villes commencent à « voir » davantage, mais ce qui déterminera réellement leur forme future, ce n’est pas la vision elle-même, mais la manière dont ce qui est vu sera ensuite gouverné.