Introduction
Cinq priorités pour automatiser les flux documentaires, améliorer la qualité des données et déployer une IA 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.
L’enjeu n’est 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 porter sur la classification, l’exactitude des données extraites et les faux positifs ou faux négatifs, en les reliant à leurs conséquences métier.
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. 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, éditeur de la plateforme MonIdenum, Luminess automatise la lecture, l'analyse et les contrôles de conformité des pièces d'identité nécessaires à la création et à la sécurisation des identités numériques.
Cette approche permet d'industrialiser le traitement documentaire tout en améliorant la qualité de service et la fiabilité des contrôles :
- Amélioration de 10 % de la qualité de lecture
- Disponibilité applicative de 99 %
- Traitement des demandes de support en moins de 24 heures
Découvrir le projet MonIdenum
En savoir plus sur la confiance numérique et la sécurité
Découvrir nos solutions de contrôle documentaire
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.
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.
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 :
- Finalités du traitement et les données strictement nécessaires
- Provenance, la qualité et les droits d’usage des corpus
- Tègles de normalisation et de rapprochement
- Versions des modèles, règles et jeux d’évaluation
- 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.
Près de quatre millions de dossiers, soit environ huit millions de pages, sont numérisés chaque année. Les flux, issus à 60 % du numérique et à 40 % du papier, sont extraits, contrôlés et mis à disposition dans un portail sécurisé avec suivi et traçabilité.
La gouvernance doit aussi prévoir la dérive, avec des seuils d’alerte, un échantillonnage régulier et une procédure de retour à une version antérieure.
5. Industrialiser une IA explicable et souveraine
Rendre les traitements compréhensibles
Une automatisation publique doit rendre compréhensible ce qu’elle fait, ses limites et les cas dans lesquels un humain intervient. L’explicabilité repose sur les données prises en compte, les règles appliquées et le motif du résultat.
Dimensionner la supervision humaine
Définir des seuils de confiance, des priorités de traitement, des délais de reprise et une autorité de décision. Une file d’exceptions non pilotée devient rapidement un nouveau goulot d’étranglement.
Maîtriser la sécurité et la souveraineté
Les accès, le chiffrement, la traçabilité et la continuité de service doivent être maîtrisés. La souveraineté implique aussi la localisation des traitements, la juridiction applicable et la réversibilité.
Anticiper le cadre réglementaire
Depuis le 2 août 2026, de nouvelles dispositions de l’AI Act sont applicables selon un calendrier progressif. Les règles concernant certains systèmes à haut risque entreront ensuite en application selon leur catégorie.
À noter — En France, lorsqu’une décision administrative individuelle repose sur un traitement algorithmique, le Code des relations entre le public et l’administration prévoit une information explicite de l’intéressé.
Une architecture de service, pas un modèle isolé
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
Luminess combine trois métiers : éditeur de logiciels, ESN et opérateur de BPO.
Cette organisation permet d’articuler développement applicatif, intégration, hébergement, exploitation de back-office et supervision humaine des exceptions.
IDP by Lumia peut être déployé sur une infrastructure cloud OUTSCALE qualifiée SecNumCloud 3.2. 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.
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