Cinq priorités pour automatiser les flux documentaires publics, améliorer la qualité des données et déployer une IA explicable, souveraine et supervisée.
Une méthode pour choisir les bons usages, fiabiliser les données publiques et déployer une automatisation explicable, souveraine et supervisée.
Formulaires, courriers, justificatifs, dossiers réglementaires et décisions administratives alimentent chaque jour les services publics. Leur traitement mobilise encore des opérations de lecture, de saisie, de contrôle et d’orientation qui ralentissent les démarches et concentrent les agents sur des tâches répétitives.
L’IA dans le secteur public peut accélérer cette chaîne, à condition de ne pas commencer par le modèle. La qualité des documents, la gouvernance des données, l’accessibilité du parcours et la reprise humaine déterminent la valeur réelle du service.
Nous nous concentrons ici sur un usage déjà industrialisable : l’IA appliquée aux flux documentaires et aux données qui alimentent les démarches publiques.
L’enjeu n’est donc pas d’automatiser toute décision. Il est de transformer des flux hétérogènes en données fiables, d’appliquer des contrôles explicables et de réserver l’expertise humaine aux cas qui l’exigent.
1. Fiabiliser les documents avant d’automatiser
Une administration ne reçoit pas des données propres : elle reçoit des photos, des scans, des PDF, des formulaires, des courriers et parfois encore du papier. Avant toute analyse, ces pièces doivent être identifiées, rendues lisibles et rattachées au bon dossier.
L’Intelligent Document Processing, ou IDP, combine plusieurs briques : analyse de qualité, OCR, classification, extraction, normalisation, contrôles métier et orchestration des exceptions. Le résultat attendu n’est pas un texte transcrit, mais une donnée documentée et exploitable.
Une chaîne robuste peut suivre huit étapes :
- capter les documents depuis les canaux physiques et numériques ;
- contrôler la qualité de l’image et demander une nouvelle prise si nécessaire ;
- reconnaître la typologie documentaire ;
- extraire les champs utiles avec leur niveau de confiance ;
- normaliser les formats, dates, adresses et identifiants ;
- appliquer les règles de complétude et de cohérence ;
- transmettre les données au système métier ;
orienter les incertitudes vers une file de reprise humaine.
Tester les erreurs qui comptent vraiment
Un taux moyen d’OCR ne permet pas de décider si un service est prêt. L’évaluation doit être segmentée par type de document, canal, qualité d’image, langue et champ critique.
Pour la classification, précision et rappel montrent respectivement la fiabilité des catégories attribuées et la capacité à retrouver toutes les pièces attendues. Pour l’extraction, il faut mesurer l’exactitude après normalisation, champ par champ. Pour les contrôles, faux positifs et faux négatifs doivent être reliés à leurs conséquences : rejet injustifié, dossier incomplet accepté, retard ou intervention manuelle.
Le corpus de test doit être distinct de l’apprentissage, versionné et représentatif des usages réels. Chaque modification de modèle ou de règle déclenche une non-régression. En production, le suivi de la dérive et des motifs de reprise permet d’identifier une évolution des formulaires ou des canaux avant qu’elle ne dégrade le service.
Le projet MonIdenum illustre cette logique industrielle
Pour Infogreffe, Luminess automatise la lecture et les contrôles de conformité de pièces d’identité. Les résultats publiés mentionnent :
- une amélioration de 10 % de la qualité de lecture,
- une disponibilité applicative de 99 %
- et un traitement des demandes de support en moins de 24 heures.
2. Prioriser les cas d’usage selon l’impact public
L’IA est utile lorsqu’elle résout un problème de service identifiable. Un cas d’usage doit donc être formulé à partir d’un parcours, d’un public et d’un résultat attendu, pas d’une technologie disponible.
Cinq questions permettent de cadrer la priorité :
- Quel délai ou quelle étape inutile le projet doit-il réduire ?
- Quelle erreur ou quel risque doit-il mieux maîtriser ?
- Quel volume et quelle variabilité documentaire sont concernés ?
- Les règles métier sont-elles explicites et suffisamment stables ?
- Comment les cas incertains seront-ils repris par un agent ?
Un premier déploiement pertinent est assez circonscrit pour être maîtrisé, mais couvre le processus jusqu’au résultat métier. Automatiser seulement la saisie d’un champ, sans traiter les pièces manquantes, les exceptions et l’intégration, produit rarement un bénéfice visible pour l’usager.
La situation initiale doit être mesurée avant le pilote : délai médian de traitement, taux de dossiers complets, nombre de contacts nécessaires, part des reprises manuelles, coût par dossier et motifs d’abandon. La comparaison avant/après doit être réalisée sur des périodes et des populations comparables.
Une grille de notation sur cinq axes facilite l’arbitrage : valeur pour l’usager, gain pour les agents, maîtrise du risque, maturité des données et faisabilité industrielle. Un cas d’usage à fort impact mais fondé sur des données instables nécessite d’abord un chantier de qualité.
3. Simplifier sans créer de nouvelles exclusions
Une démarche plus rapide pour la majorité peut devenir plus difficile pour certains publics. Mauvaise qualité de connexion, handicap, maîtrise limitée du français ou du numérique, équipement ancien et situation administrative atypique doivent faire partie des scénarios de conception.
Pour les services numériques, cette exigence d’inclusion doit également se traduire dans la conception et les tests d’accessibilité, en s’appuyant sur le Référentiel général d’amélioration de l’accessibilité (RGAA) en vigueur.
Le parcours doit proposer des messages précis : document illisible, page manquante, date expirée ou donnée incohérente. Un rejet générique oblige l’usager à deviner le problème et augmente les contacts avec le service.
L’automatisation doit aussi conserver une voie alternative. Un usager doit pouvoir corriger une donnée, fournir une autre pièce ou demander une intervention humaine lorsque le système ne comprend pas sa situation. Cette reprise ne doit pas être cachée derrière un parcours complexe.
Du côté des agents, l’interface doit afficher le document d’origine, la valeur extraite, le contrôle concerné et la raison de l’exception. Une simple alerte sans contexte déplace la charge au lieu de la réduire.
Les indicateurs d’équité opérationnelle ne se limitent pas à une moyenne. Ils doivent être comparés par canal, type de document et, lorsque c’est pertinent et licite, par segment d’usage. Un écart durable de taux de rejet ou de reprise signale un problème de données, d’interface ou de règles.
PASSER DU PILOTE À L’ÉCHELLE
Luminess peut cartographier les documents, les règles et les exceptions d’un parcours public, puis tester la chaîne sur un corpus représentatif.
4. Gouverner les données et les modèles
Les modèles ne compensent pas une donnée mal définie. Une donnée publique doit avoir un sens partagé, une source de vérité, un responsable, une règle de qualité et un cycle de vie.
Avant de généraliser l’IA, l’organisation doit documenter :
- les finalités du traitement et les données strictement nécessaires ;
- la provenance, la qualité et les droits d’usage des corpus ;
- les règles de normalisation et de rapprochement ;
- les durées de conservation et les habilitations ;
- les versions des modèles, règles et jeux d’évaluation ;
- les critères d’acceptation et les conditions de retrait.
Cette traçabilité relie le document reçu au résultat produit. Elle permet de reconstituer la version utilisée, le contrôle appliqué et la décision humaine éventuelle. Elle facilite l’audit, la correction et le traitement des réclamations.
Le dispositif Carte Vitale opéré par Luminess pour le GIE SESAM-Vitale illustre cette industrialisation.
Les flux sont issus à 60 % du numérique et à 40 % du papier ; les photos et pièces sont extraites, contrôlées et mises à disposition sur un portail sécurisé avec suivi et traçabilité.
La gouvernance doit aussi prévoir la dérive. Un nouveau formulaire, une évolution réglementaire ou une modification des pratiques peut réduire la performance sans erreur technique visible. Des seuils d’alerte, un échantillonnage régulier et une procédure de retour à une version antérieure sont nécessaires.
5. Industrialiser une IA explicable et souveraine
Une automatisation publique doit rendre compréhensible ce qu’elle fait, ce qu’elle ne sait pas faire et à quel moment un humain intervient. L’explicabilité utile n’est pas un commentaire générique sur le modèle : c’est l’accès aux données prises en compte, aux règles déclenchées et au motif du résultat.
En France, lorsqu’une décision administrative individuelle est prise sur le fondement d’un traitement algorithmique, le Code des relations entre le public et l’administration prévoit une mention explicite informant l’intéressé. Celui-ci peut demander la communication des règles définissant le traitement et des principales caractéristiques de sa mise en œuvre.
La supervision humaine doit être dimensionnée. Il faut définir les seuils de confiance, la priorité des dossiers, le délai de reprise et l’autorité de décision. Une file d’exception non pilotée devient rapidement un nouveau goulot d’étranglement.
La sécurité couvre l’identité, les habilitations, le chiffrement, la journalisation, la continuité et la maîtrise des sous-traitants. La souveraineté ajoute la localisation des traitements, la juridiction applicable, la réversibilité et la capacité à exploiter le service sans dépendance opaque.
Depuis le 2 août 2026, l’AI Act est applicable, sous réserve de plusieurs échéances différées. Les règles concernant certains systèmes à haut risque s’appliqueront à compter du 2 décembre 2027 ou du 2 août 2028 selon leur catégorie. Chaque projet doit donc être qualifié au regard de son usage, de son impact et de son calendrier.
Un dossier d’industrialisation doit réunir au minimum : architecture et flux de données, protocole d’évaluation, registre des versions, journal des décisions, plan de continuité, procédure d’incident, modalités de reprise humaine et indicateurs de production.
Une architecture de service, pas un modèle isolé
La réussite repose sur une chaîne cohérente : réception, qualité documentaire, extraction, contrôles, données métier, décision et preuve. Chaque composant a un responsable et un seuil d’acceptation.
Cette architecture sépare utilement trois niveaux. Le modèle produit une prédiction ou une extraction. Les règles métier déterminent les contrôles et les orientations. L’agent exerce une appréciation lorsque l’incertitude ou l’impact le justifie. Cette séparation facilite l’audit et limite l’automatisation implicite de décisions sensibles.
L’approche Luminess pour le secteur public
Cette organisation permet d’articuler développement applicatif, intégration, hébergement, exploitation de back-office et supervision humaine des exceptions.
IDP by Lumia propose des services modulaires d’analyse de qualité, correction d’image, typage, extraction, contrôle de validité et détection de fraude dans un environnement souverain certifié SecNumCloud. Les briques sont intégrables par API aux applications existantes.
Les références publiques couvrent différentes dimensions de l’industrialisation :
- MonIdenum : reprise applicative, maintenance, contrôles d’identité et support ;
- Carte Vitale : traitement massif de flux papier et numériques, contrôles et traçabilité ;
- portail QPC du Conseil constitutionnel : indexation, métadonnées, recherche, intégrité et anonymisation dans un environnement SecNumCloud.
Ces cas montrent que la valeur ne vient pas d’un démonstrateur d’IA isolé, mais d’un service intégré, mesuré et exploité dans la durée.
Vous souhaitez qualifier un projet d’automatisation documentaire dans le secteur public ?
Les experts Luminess peuvent vous aider à prioriser les usages, construire le corpus d’évaluation et définir les conditions techniques, humaines et réglementaires du passage à l’échelle.
Sources
- Commission européenne — Cadre réglementaire européen sur l’IA
- CNIL — Utiliser un système d’IA en production
- Légifrance — Code des relations entre le public et l’administration, article L311-3-1
- DINUM — Référentiel général d’amélioration de l’accessibilité
- NIST — Artificial Intelligence Risk Management Framework
- Luminess — Solution d’Intelligent Document Processing
- Luminess — Reprise de l’application MonIdenum
- Luminess — Numérisation des dossiers Carte Vitale
- Luminess — Portail QPC du Conseil constitutionnel
Questions fréquentes sur l’IA dans le secteur public
Questions fréquentes sur l’IA dans le secteur public
Quels usages de l’IA sont pertinents dans le secteur public ?
Les usages les plus mûrs concernent souvent la lecture et le classement de documents, la détection de pièces manquantes, l’orientation des demandes, la recherche dans des corpus et l’aide aux agents. Le choix dépend de l’impact, de la qualité des données et du niveau de risque.
Comment conserver une supervision humaine efficace ?
Il faut définir les situations qui imposent une reprise, afficher les éléments utiles à l’agent, prioriser les dossiers et mesurer le délai de résolution. L’agent doit pouvoir corriger le résultat et documenter son motif.
Pourquoi commencer par l’IDP et la qualité des données ?
Parce qu’un modèle alimenté par des documents mal classés ou des données incohérentes amplifie les erreurs. L’IDP crée un socle contrôlé avant l’automatisation de tâches plus complexes.
Vous souhaitez qualifier un projet d’automatisation documentaire dans le secteur public ?
Les experts Luminess peuvent vous aider à prioriser les usages, construire le corpus d’évaluation et définir les conditions techniques, humaines et réglementaires du passage à l’échelle.