L'IA agentique pour l'administration publique

La plupart des gens ont découvert l'IA à travers une interface de chat minimale, souvent avec les offres gratuites de ChatGPT, Claude, Gemini ou Copilot. Ils utilisent principalement ces outils pour résumer des paragraphes et répondre à des e-mails. C'est déjà un progrès, mais l'écart ne cesse de se creuser entre les modèles grand public gratuits, optimisés pour l'engagement, et les modèles de pointe payants capables d'accomplir un travail réel et complexe de bout en bout.

Tout travail intellectuel qui exige d'analyser et de relier des données provenant de sources distinctes ou de systèmes existants constitue un terrain naturel pour ces capacités, quels qu'en soient la complexité et le degré de variété. Le terme "agentique" désigne la capacité croissante des modèles récents à partir d'une demande, à construire une séquence d'appels autonomes aux bons outils, à accumuler du contexte, à recouper l'information et à décider de l'étape suivante jusqu'à l'achèvement de la tâche.

En quelques mots, agentique signifie qu'un modèle peut planifier, orchestrer et exécuter tout en contrôlant systématiquement son travail et en corrigeant ses erreurs. Tous les modèles ne se valent pas. Les modèles de pointe sont particulièrement robustes face aux cas limites, gardent le fil des tâches longues et accordent une attention soutenue aux détails et aux ambiguïtés.

Une chose doit être claire. Si vous créez le bon environnement pour que l'IA réalise votre travail, l'avantage obtenu se transforme directement en valeur pour votre organisation sous forme d'économies, de capacité supplémentaire ou de revenus. Cette évolution est plus importante que le passage de documents papier du back-office à un système numérique datant de 2015 qui se contente de les stocker. Plus les processus propres à l'organisation sont analysés en profondeur lors de la conception de cet environnement, plus l'IA peut créer de valeur.

L'intégration correcte d'un modèle d'IA dans vos systèmes actuels permet un niveau de délégation auparavant inaccessible pour des tâches critiques largement prises en charge par des personnes. Il ne s'agit pas de remplacer les humains, mais de faire intervenir leur jugement là où les décisions comptent vraiment. Au lieu d'imposer leur présence à plusieurs points routiniers du processus, le système doit les solliciter pour les cas critiques qu'il détecte, comme une ambiguïté inattendue ou une situation couverte par une règle de l'organisation. Chaque transfert vers une personne ajoute aussi de la communication interne et des délais. L'absence pour maladie ou vacances d'un seul collaborateur essentiel peut bloquer tout le processus jusqu'à son retour. Un système d'IA cumule l'intelligence et le contexte afin que l'organisation puisse continuer d'avancer et rendre ce temps à ses équipes.

Qu'est-ce qui rend ce niveau d'autonomie possible tout en respectant les pratiques de sécurité de votre organisation ? Les modèles robustes ne sont qu'une partie de la réponse. Le système d'IA a aussi besoin d'une forte compréhension du contexte.

Le travail de back-office est ambigu et multiforme. Sa complexité vient aussi du désordre du monde réel. Certaines connaissances critiques ne vivent que dans la tête des collaborateurs et n'ont jamais été écrites ni partagées dans l'organisation.

Un système d'IA fiable a donc besoin d'un troisième composant aux côtés des modèles et de l'infrastructure. Il lui faut une mémoire et un contexte construits autour de la logique métier de votre secteur afin d'exploiter le savoir interne de vos équipes et de l'accumuler dans le temps à votre avantage.

Une architecture d'IA bien conçue permet à votre équipe d'expliquer en langage naturel comment les processus doivent être exécutés, avec leurs ambiguïtés et les points critiques qui nécessitent une revue avant même que le modèle ne les rencontre. Les équipes peuvent créer des "skills" partageables : des fichiers évolutifs qui contiennent les instructions nécessaires pour traiter les tâches et les cas limites. Vous l'expliquez une fois, puis le modèle le retient, le combine avec de nouvelles données et met le même savoir à la disposition d'autres collaborateurs lorsque cela est pertinent. La connaissance interne devient progressivement une partie du système, ce qui réduit la charge quotidienne et fait intervenir les personnes dans les cas inattendus ou critiques.

Instruire un système d'IA n'est pas réservé aux spécialistes techniques. Il s'agit de savoir exprimer ses connaissances, comme on expliquerait une tâche à un collègue intelligent qui ne participe pas au travail quotidien. L'IA peut s'adapter à votre langage et à votre degré d'expertise. Vous pouvez utiliser des termes techniques précis ou parler de manière informelle, puis demander du contexte au système lorsqu'il vous en manque.

L'IA agentique transforme les organisations en combinant la progression des modèles, un contexte propre à l'organisation et un système de mémoire qui s'améliore avec le temps. Les acheteurs publics ne devraient pas accepter le déploiement d'un modèle peu performant comme Apertus, puis conclure que l'IA elle-même n'a pas tenu ses promesses. La qualité des modèles et leur robustesse face aux cas limites comptent beaucoup. Artificial Analysis est une source indépendante utile pour comparer les modèles à poids ouverts et propriétaires. L'IA agentique doit produire rapidement des résultats tangibles, et un fournisseur crédible devrait facturer son travail en fonction de la valeur afin de garder ses incitations alignées sur les intérêts de l'organisation cliente.