Cas d'usage IA dans une administration : 5 étapes

Par Elisha Bajemon, Ingénieur IA chez TW3 Partners. Dernière mise à jour : 2 octobre 2026.

En bref

Identifier les cas d’usage de l’IA dans le secteur public demande cinq étapes : inventaire des processus, critères de sélection, faisabilité et conformité, priorisation, cadrage d’un premier projet. Selon la note de conjoncture 2025 de la Banque des Territoires (13 novembre 2025), 77 % des collectivités de plus de 3 500 habitants ont engagé ou envisagent un projet d’IA, contre 51 % en 2024. L’État a structuré ses propres briques : Albert API et un Assistant IA expérimenté depuis octobre 2025 auprès de 10 000 agents de huit ministères, selon le rapport d’activité 2025 de la DINUM.

Les cas documentés par les collectivités portent sur des tâches précises : pilotage de stations d’épuration, traitement d’appels, recherche dans les délibérations. La méthode décrite ici sert à passer d’une liste d’idées à un premier projet mesurable, dans le cadre du règlement européen sur l’IA, du RGPD et des recommandations de la CNIL.

1. Pourquoi une méthode pour choisir les cas d’usage IA dans une administration ?

Une méthode est nécessaire parce que les idées abondent et que les moyens sont limités, en compétences comme en budget. La Cour des comptes, dans son rapport sur la stratégie nationale pour l’intelligence artificielle de novembre 2025, relève que l’État a programmé 1,1 milliard d’euros sur 2023-2025, avec 35 % des crédits consommés au 30 juin 2025, et demande dans sa dixième recommandation d’« accélérer la transformation des administrations et des politiques publiques par l’IA ».

Un cas d’usage désigne une tâche identifiée, exécutée par des agents identifiés, pour laquelle un système d’IA produit un résultat vérifiable : un courrier classé, un compte rendu rédigé, un appel traité.

Le cadre vient du Conseil d’État, dont l’étude « Intelligence artificielle et action publique » du 30 août 2022 retient sept principes pour une IA publique de confiance : primauté humaine, performance, équité et non-discrimination, transparence, sûreté, soutenabilité environnementale et autonomie stratégique. Le rapport Governing with Artificial Intelligence de l’OCDE, approuvé le 5 septembre 2025, a analysé 200 cas d’usage dans 11 fonctions de gouvernement et constate que l’IA générative y reste « less common ».

2. Quels cas d’usage IA sont déjà documentés dans le secteur public français ?

Les cas documentés se répartissent entre les briques mutualisées de l’État et les projets des collectivités, tous sur des tâches délimitées.

2.1 Les briques de l’État : Albert API et l’Assistant IA

Le rapport d’activité 2025 de la DINUM décrit un Socle interministériel d’IA générative (SIIAG) qui comprend « Albert API, plateforme d’inférence mutualisée sur SecNumCloud, offrant OCR, transcription, chat et autres services LLM prêts à l’emploi ». L’Assistant IA interministériel, « expérimenté depuis octobre 2025 auprès de 10 000 agents dans huit ministères », sert à mesurer l’effet sur la rédaction, la synthèse et l’OCR avant un déploiement généralisé annoncé pour 2026.

La réponse du Gouvernement à la question écrite n° 6512, publiée le 1er juillet 2025, fixe la ligne pour les usages sensibles : « une préférence est donnée aux solutions maîtrisées, hébergées souverainement ».

2.2 Que montrent les collectivités ?

Les collectivités documentent des cas aux résultats mesurés. Parmi celles qui utilisent l’IA, 84 % recourent à l’IA générative, surtout pour la rédaction, la synthèse et la relation aux usagers, selon la note de conjoncture 2025 de la Banque des Territoires (13 novembre 2025). La Bibliothèque d’IA territoriales, publiée en 2025 par les Interconnectés avec la Banque des Territoires et Ecolab, décrit une dizaine de projets.

Collectivité	Tâche confiée à l’IA	Résultat déclaré (2025)
Rennes Métropole	Pilotage de l’aération d’une dizaine de stations d’épuration	5 % de consommation énergétique en moins, 15 % sur la facture ; généralisation décidée en 2025
Métropole Aix-Marseille-Provence	Callbot pour les appels liés aux encombrants, hors heures d’ouverture	180 000 appels reçus l’an dernier ; objectif de 30 % de baisse du temps d’attente moyen
Métropole Rouen Normandie	Recherche dans les délibérations et aide à la rédaction	178 agents en phase expérimentale ; 85 % de satisfaction parmi 60 répondants ; 24 directions équipées

Deux enseignements servent la méthode. À Aix-Marseille, une expérimentation antérieure avait utilisé des données d’apprentissage non conformes au RGPD ; la métropole a adopté une charte d’usage de l’IA en octobre 2023 avant de relancer un projet. À Rouen, la responsable du projet résume la règle : « Expérimenter sans évaluer, c’est comme naviguer en mer sans boussole ».

Depuis le 21 mai 2026, le programme Territoires d’IA de la Banque des Territoires vise 100 000 agents publics accompagnés et 15 cas d’usage réplicables d’ici 2030 ; un partenariat avec la DINUM du 22 mai 2026 organise le partage des cas d’usage entre l’État et les collectivités.

3. Étape 1 : comment inventorier les processus et les irritants ?

L’inventaire liste, service par service, les tâches répétitives qui consomment du temps d’agent, à partir de ce que les agents décrivent. Trois sources l’alimentent : les entretiens avec les responsables de service, les données d’activité disponibles (volumes, délais) et les réclamations des usagers.

Chaque ligne décrit la tâche, le service, le volume annuel, le temps unitaire estimé, les données manipulées et l’irritant principal : délai, erreur, ressaisie, attente de l’usager. À Aix-Marseille, le centre d’appels recevait environ 600 000 appels par an, dont 30 % liés aux encombrants, et une part non mesurée restait sans réponse hors des heures d’ouverture ; le projet est parti de cet irritant chiffré.

À ce stade, aucune solution n’est associée aux lignes. Le service Stratégie IA et cloud de TW3 Partners procède ainsi : les cas d’usage sont listés avec les équipes qui s’en serviront, puis classés par gain attendu et par difficulté.

4. Étape 2 : quels critères retenir pour sélectionner un cas d’usage ?

Six critères permettent de noter chaque ligne de façon comparable : volume, répétitivité, données disponibles, risque, valeur pour l’usager, valeur pour l’agent. Une échelle de 1 à 3 suffit pour un premier tri.

Critère	Question à poser	Note 1	Note 3
Volume	Combien de fois par an ?	Quelques dizaines	Plusieurs milliers
Répétitivité	Toujours le même schéma ?	Chaque dossier est différent	Même schéma, mêmes pièces
Données disponibles	Les données existent-elles sous forme exploitable ?	Papier, dispersées	Numériques, centralisées, à jour
Risque	Une erreur touche-t-elle les droits d’une personne ?	Décision individuelle, données sensibles	Tâche interne sans effet sur un tiers
Valeur pour l’usager	Le service change-t-il pour le public ?	Pas de changement visible	Délai ou accessibilité nettement améliorés
Valeur pour l’agent	Le temps libéré est-il réaffecté ?	Gain marginal	Plusieurs heures par semaine et par agent

Le critère de risque se note à l’envers : plus le risque est élevé, plus la note est basse. Il s’appuie sur l’annexe III du règlement (UE) 2024/1689, qui classe à haut risque les systèmes « destinés à être utilisés par les autorités publiques ou en leur nom pour évaluer l’éligibilité des personnes physiques aux prestations et services d’aide sociale essentiels », ainsi que pour « octroyer, réduire, révoquer ou récupérer ces prestations et services ». Une tâche de ce type ne constitue pas un premier projet.

5. Étape 3 : comment évaluer la faisabilité et la conformité ?

La faisabilité se vérifie sur trois plans, technique, juridique et organisationnel, et chacun peut arrêter un cas pourtant bien noté.

Sur le plan technique, la question est celle des données : existent-elles, sont-elles accessibles, sous quelle forme ? Un essai sur une centaine de documents ou d’appels réels donne en quelques semaines une idée du taux d’erreur à attendre.

Sur le plan juridique, le RGPD impose une analyse d’impact avant tout traitement susceptible d’engendrer un risque élevé (article 35). La CNIL a finalisé le 22 juillet 2025 ses recommandations sur le développement des systèmes d’IA, rassemblées dans treize fiches pratiques.

Le règlement (UE) 2024/1689 ajoute, pour un système à haut risque déployé par un organisme de droit public, une analyse de l’impact sur les droits fondamentaux (article 27), et demande à tout déployeur « un niveau suffisant de maîtrise de l’IA pour leur personnel » (article 4).

Sur le plan organisationnel, le guide d’usage de l’IA pour les agents publics de l’État, publié en juin 2026 par la DINUM, la DITP et la DGAFP, pose la règle : « L’agent public demeure responsable de ses productions, de ses décisions et des actions qu’il engage ». Un cas n’est faisable que si un agent identifié peut relire et corriger ce que le système produit. Pour l’hébergement des données sensibles de l’État, le rapport d’activité 2025 de la DINUM indique, à propos de SecNumCloud, que « conformément à la loi SREN de mai 2024, cette certification par l’ANSSI est devenue la norme ».

6. Étape 4 : comment prioriser les cas d’usage retenus ?

La priorisation croise la valeur attendue et la facilité de réalisation dans une grille à quatre cases. La valeur additionne les notes de volume, de valeur pour l’usager et de valeur pour l’agent ; la facilité additionne les notes de répétitivité, de données disponibles et de risque.

	Facilité faible (3 à 5)	Facilité élevée (6 à 9)
Valeur élevée (6 à 9)	À préparer : lever d’abord l’obstacle (données, cadre juridique)	Premier projet
Valeur faible (3 à 5)	À écarter	Second lot, si le coût est faible

À titre d’illustration de la méthode, et non de résultat observé, prenons une direction qui a inventorié trois tâches : le tri de 4 000 courriers entrants par an, la rédaction des comptes rendus de commissions et l’instruction de demandes d’aide. Le tri du courrier obtient 8 en valeur et 8 en facilité : premier projet. Les comptes rendus, 6 et 7 : second lot. L’instruction des aides, 9 en valeur mais 4 en facilité parce qu’elle relève de l’annexe III du règlement sur l’IA : à préparer.

La grille ne mesure pas l’adhésion des agents. Les fiches de Rennes et d’Aix-Marseille insistent sur ce point : l’exploitant ou le service métier participe à la définition des objectifs dès le début.

7. Étape 5 : comment cadrer le premier projet avec un critère de succès ?

Le cadrage tient en une page : la tâche, les agents concernés, les données, l’hébergement, le modèle, le calendrier et un critère de succès chiffré avant le lancement, sur un indicateur qui existait déjà. Les cas documentés en donnent la forme : l’objectif de 30 % de baisse du temps d’attente moyen à Aix-Marseille, la facture énergétique à Rennes, le taux de recommandation par les agents à Rouen.

Trois points ferment le cadrage. Le périmètre : l’État expérimente son Assistant IA pendant huit mois auprès de 10 000 agents avant de généraliser, selon le rapport d’activité 2025 de la DINUM ; une collectivité peut retenir un service et quelques dizaines d’agents. La formation : le Campus du numérique public a touché 127 602 agents en 2025, dont 54 261 sur l’intelligence artificielle, d’après le même rapport. La sortie : le cadrage précise ce qui se passe si le critère n’est pas atteint à la date prévue, et comment les données sont récupérées.

Appliquées dans cet ordre, les cinq étapes transforment une liste d’idées en un premier projet mesurable, puis en un portefeuille de cas d’usage IA pour le secteur public dont chaque ligne porte son volume, son risque et son critère de succès. Ce portefeuille sert ensuite de base pour discuter budget, hébergement et calendrier avec les élus ou la direction.

8. FAQ

Par où commencer quand une administration n’a aucun projet d’IA ?
Par l’inventaire de l’étape 1, limité à deux ou trois services volontaires, puis par un essai sur un échantillon réel. Les briques mutualisées de l’État, Albert API et l’Assistant IA, permettent de tester sans construire d’infrastructure.

Un assistant de rédaction pour les agents est-il un système à haut risque ?
Pas en soi. L’annexe III du règlement (UE) 2024/1689 vise des domaines précis, comme l’évaluation de l’éligibilité à des prestations sociales ou l’administration de la justice. Le classement dépend de la finalité réelle et s’instruit au cas par cas.

Faut-il une analyse d’impact RGPD pour chaque cas d’usage ?
Non. L’article 35 du RGPD l’impose lorsque le traitement est susceptible d’engendrer un risque élevé pour les personnes. Les fiches pratiques de la CNIL aident à le déterminer.

Combien de cas d’usage lancer la première année ?
Un seul en production, avec un critère de succès mesuré, et un second lot préparé. La Bibliothèque d’IA territoriales décrit des phases expérimentales de un à trois ans avant généralisation, par exemple de 2021 à 2024 à Rennes Métropole.

Comment mesurer la valeur pour l’agent sans chronométrer ?
Par un échantillon : une dizaine d’agents notent, pendant deux semaines, le temps passé sur la tâche avant et après. Rouen a complété cette mesure par une enquête de satisfaction, 60 répondants sur 178 utilisateurs.

Identifier les cas d’usage de l’IA dans une administration : méthode en 5 étapes