Gouverner avec l’intelligence artificielle

L’IA dans l’administration de la justice et l’accès à la justice

Les données et les technologies numériques recèlent un potentiel considérable pour favoriser l’accès à la justice, ainsi que pour favoriser sa résilience, son efficience, son efficacité et son équité, conformément à la Recommandation de l’OCDE sur l’accès à la justice et les systèmes de justice centrés sur les personnes (2023[288]). Parmi toutes les technologies qui sous-tendent cette transformation, l’IA se distingue par son caractère à la fois remarquable et novateur.

Jusqu’à présent, l’IA a eu des répercussions inégales sur les systèmes de justice. Si certains pays ont adopté l’IA pour des applications pratiques dans le secteur de la justice, d’autres n’en sont encore qu’aux premiers stades de l’intégration de progrès technologiques plus fondamentaux, sans parler de l’IA. Les applications de l’IA dans ce domaine vont de l’automatisation des tâches administratives courantes liées à la gestion des affaires à la fourniture d’analyses prédictives en passant par le soutien aux travaux de recherche juridique. Souvent confronté à des retards, à des procédures longues et à une accessibilité limitée, le système de justice devrait tirer un avantage considérable de l’intégration de l’IA. L’IA recèle un grand potentiel pour améliorer l’efficience et la réactivité, améliorer la prestation de services adaptés aux besoins des personnes, faciliter les tâches répétitives et développer les capacités dans divers domaines de la justice (Redden et O’Donovan Dix, 2020[289] ; CEPEJ, 2018[290]).

Le développement ou l’utilisation inappropriés de l’IA dans le secteur de la justice peuvent entraîner des disparités de traitement entre les individus ou les groupes. Des cadres de gouvernance et des garde-fous permettant d’évaluer les risques et les incidents, ainsi que des voies de recours pour les personnes concernées par les systèmes d’IA, peuvent contribuer à garantir une utilisation fiable de l’IA dans le cadre de la justice.

État des lieux

Accroître l’efficience des opérations internes

L’IA peut avoir des effets transformateurs sur la productivité et la réactivité du système de justice. Les algorithmes d’IA avancés peuvent analyser les affaires entrantes, les classer en fonction de leur complexité ou de leur urgence, et les attribuer aux services ou aux juges appropriés (Reiling, 2020[291]). Cela peut réduire sensiblement les goulets d’étranglement administratifs, contribuer à assurer une utilisation plus efficiente des ressources et améliorer l’efficacité de la justice. Par exemple :

• En France, la Cour de cassation (2024[292]) a mis au point un système d’IA qui classe et oriente les pourvois vers les chambres appropriées en se fondant sur un algorithme entraîné sur les mémoires en demande orientés au cours des années antérieures, ce qui rend la gestion des affaires plus efficace et garantit un examen approprié.

• Au Brésil, le système d’IA VICTOR automatise l’examen des pourvois devant la Cour suprême en identifiant les affaires ayant des « répercussions générales », condition préalable au traitement des pourvois (Cour suprême du Brésil, 2024[293]). Alors qu’un greffier prend 44 minutes pour évaluer si un pourvoi est recevable, le système d’IA VICTOR ne prend que quelques secondes. En outre, le Conseil supérieur de la justice du travail du Brésil a lancé Chat-JT, un outil d’IA générative qui aide les juges, le personnel des tribunaux et les stagiaires en automatisant des tâches (par exemple la recherche juridique, l’analyse documentaire, la rédaction de résumés standardisés). Lancée en février 2025, la plateforme permet également aux utilisateurs de créer des assistants personnalisés adaptés à des besoins spécifiques dans le cadre du flux de travail judiciaire. En s’intégrant à d’autres systèmes internes, Chat-JT offre des capacités de recherche avancées dans l’ensemble des bases de données internes, dans le but de rationaliser les opérations quotidiennes et d’améliorer les processus décisionnels de la justice du travail (CNJ, 2025[294]).

• La transcription automatisée peut améliorer l’accès aux procédures judiciaires. En Slovénie, par exemple, l’automatisation de la transcription améliore l’accès aux procédures judiciaires (Ministère de la Justice (Slovénie), 2024[295]). Cette technologie convertit rapidement les mots prononcés en texte écrit, ce qui assure une plus grande transparence et permet à davantage de personnes d’examiner et de comprendre les procédures judiciaires (CMS, 2023[296]). En Espagne, des services de transcription, appelés « textualisation », sont opérationnels depuis 2019 et intégrés dans le visualiseur de fichiers électroniques judiciaires HORUS. Cette combinaison de systèmes permet non seulement d’obtenir des transcriptions, mais aussi de parcourir rapidement des enregistrements d’audiences. Pour ce faire, HORUS : 1) associe chaque segment de la textualisation à la trame temporelle de l’enregistrement ; et 2) identifie les différentes voix présentes dans l’enregistrement, ce qui permet aux utilisateurs de suivre quelles parties interviennent à un moment donné. C’est particulièrement important en Espagne, où l’enregistrement lui-même constitue le compte rendu officiel des audiences.

• Le système PretorIA de la Colombie aide la Cour constitutionnelle à gérer le volume élevé de tutelas, ou actions en justice intentées pour protéger les droits de l’homme. Avec plus de 600 000 tutelas reçues chaque année, PretorIA aide à présélectionner les dossiers à examiner en détectant ceux qui répondent à des critères juridiques prédéfinis. Garantir la supervision humaine et l’explicabilité a été une priorité essentielle, et PretorIA a été repensé en 2020 pour utiliser une modélisation thématique interprétable plutôt que des réseaux neuronaux opaques. Les juges restent les décideurs ultimes, l’humain conservant son autorité sur la sélection des affaires (OCDE/CAF, 2022[297]).

• En Grèce, la mise en œuvre de l’IA facilite les procédures judiciaires grâce au traitement automatisé des documents, conformément aux cadres juridiques nationaux et à la stratégie européenne en matière d’IA. Les technologies de traitement automatique du langage naturel analysent les documents juridiques, ce qui garantit l’efficacité des recherches jurisprudentielles et de la gestion des procès-verbaux d’audiences1. D’autres initiatives en cours intègrent l’IA pour la conversion de la parole en texte, la traduction de documents et l’interprétation de déclarations de témoins. Parmi les autres applications figurent l’appui des services de criminalistique et l’optimisation de l’administration judiciaire, sous supervision humaine pour assurer la protection des droits humains tout en améliorant l’efficience2.

Les systèmes d’IA générative contribuent également à améliorer l’efficience des systèmes de justice. La transcription automatisée – l’une des formes relativement élémentaires de l’IA générative – peut améliorer l’accès aux procédures judiciaires, comme c’est le cas en Espagne et en Slovénie. Cette technologie convertit rapidement les mots prononcés en texte écrit, ce qui assure une plus grande transparence et permet à davantage de personnes d’examiner et de comprendre les procédures judiciaires.

Le traitement automatique du langage naturel et l’IA générative ont également contribué à améliorer la gestion des affaires et le traitement des documents judiciaires. Dans le cas de l’Espagne, en automatisant les tâches répétitives et en améliorant l’extraction des métadonnées, les services fondés sur l’IA ont rationalisé l’ordonnancement des tâches quotidiennes du personnel du système de justice, ce qui a permis une affectation plus efficace des ressources humaines et a donné au personnel les moyens de se concentrer sur des activités à plus forte valeur ajoutée telles que l’analyse juridique complexe (Encadré 5.61)3.

Encadré 5.61. Améliorer la gestion des documents en Espagne

En Espagne, le ministère de la Présidence, de la Justice et des Relations avec le Parlement a mis au point une suite interne d’outils de traitement automatique du langage naturel et d’IA générative pour favoriser une gestion et un traitement efficaces des documents judiciaires. Ces outils aident les juristes à classer, analyser, synthétiser et anonymiser les textes liés aux tribunaux, tout en garantissant le respect des normes de protection des données.

La fonctionnalité de classification permet de trier les documents par juridiction, type de registre et catégorie de document (par exemple, exposés juridiques, notifications), améliorant ainsi la recherche et la systématisation des informations dans les différentes branches du système de justice. La suite comprend également des fonctionnalités analytiques avancées qui extraient et visualisent les entités nommées, les dates clés, les valeurs monétaires et les relations entre les entités. En outre, le système détecte les similitudes sémantiques, ce qui permet d’harmoniser les variantes de noms incohérentes entre les documents.

Les capacités de synthèse sont adaptées à différents types de documents juridiques, tels que les décisions et les ordonnances, et proposent quatre modes distincts, allant de l’extraction à la production générative, avec une option pour passer du langage juridique au langage simple conçue pour améliorer l’accessibilité.

La suite est disponible via trois canaux :

1. un portail en ligne sécurisé à l’usage du personnel judiciaire ;

2. le Dossier de justice, guichet unique pour les citoyens en Espagne, où les outils d’anonymisation et de synthèse sont également accessibles ;

3. l’intégration avec d’autres produits numériques liés à la justice.

Un exemple notable de cette intégration est LexNET, la plateforme espagnole d’échange électronique d’informations qui met en relation les organes judiciaires avec les professionnels du droit, les autorités répressives, les hôpitaux et d’autres parties prenantes. Dans LexNET, l’outil de traitement du langage naturel scanne les documents pour identifier et extraire les entités nommées, qui sont ensuite utilisées pour remplir automatiquement les champs de formulaire requis, lesquels devaient auparavant être renseignés manuellement. Cette automatisation réduit considérablement le temps de traitement, qui passe de plusieurs minutes à quelques secondes.

Les futures améliorations apportées au traitement du langage naturel et à la suite d’IA générative pourraient inclure des capacités de traduction pour garantir un accès bilingue dans les langues officielles de l’Espagne (castillan, catalan, galicien, valencien et basque).

Source : Informations fournies à l’OCDE par des responsables du ministère de la Présidence, de la Justice et des Relations avec le Parlement.

Des systèmes d’IA générative plus sophistiqués aident à créer des contenus et à analyser des informations. MARIA (acronyme de « Module d’Appui à la Rédaction avec l’Intelligence Artificielle ») est un outil fondé sur un GML qui aide la Cour suprême brésilienne à synthétiser des documents, à produire des avant-projets de rapports et à réaliser des évaluations préliminaires afin d’identifier les pourvois ayant des précédents judiciaires (STF, 2024[298]). La mise en œuvre de MARIA permet de réaliser des gains d’efficience importants ; l’automatisation des tâches répétitives donne aux greffiers plus de temps pour se consacrer à des activités plus complexes. De même, l’Argentine est en train de mettre en place des GML pour compléter sa panoplie actuelle d’outils d’IA à l’appui du secteur judiciaire (Encadré 5.62).

Encadré 5.62. Prometea et ChatGPT pour rendre le secteur judiciaire argentin plus efficient

Prometea est un système fondé sur l’IA développé en 2017 par le ministère public de la ville autonome de Buenos Aires et le laboratoire d’innovation et d’intelligence artificielle (IALAB) de l’Université de Buenos Aires. Conçu pour automatiser des tâches judiciaires répétitives et accélérer les procédures, Prometea a agi en tant qu’assistant virtuel, prédisant des solutions à partir de décisions antérieures et aidant à assembler des dossiers. En réduisant considérablement les délais de traitement, ce système a permis au personnel de justice de se concentrer sur des affaires plus complexes nécessitant un jugement humain. Entre 2017 et 2020, Prometea a joué un rôle déterminant dans le règlement de 658 affaires liées au droit du logement, du travail ou des personnes handicapées. Le système a atteint un taux de précision de 90 % dans ses prédictions, les décisions des procureurs étant alignées sur les recommandations de l’IA dans la plupart des cas. En améliorant l’efficacité des flux de travail, Prometea a augmenté la productivité de près de 300 %, permettant aux professionnels du droit de traiter environ 490 affaires par mois, contre 130 avant sa mise en œuvre.

Au fil du temps, la Cour interaméricaine des droits de l’homme et d’autres entités juridiques ont adopté Prometea. Toutefois, son élargissement à de nouvelles catégories d’affaires a nécessité un réentrainement approfondi et des ajustements algorithmiques, ce qui a suscité des inquiétudes quant à son évolutivité. En 2024, les développeurs ont commencé à abandonner progressivement Prometea au profit des systèmes d’IA générative, dont ChatGPT, pour certaines tâches juridiques. Depuis mai 2024, le ministère public de la ville de Buenos Aires utilise ChatGPT pour prévoir les décisions rendues dans certaines affaires d’emploi public liées à des demandes salariales. Les agents de justice ont téléchargé des documents sur les affaires dans ChatGPT, qui analyse les caractéristiques, propose une classification préliminaire à partir d’un catalogue de modèles et rédige des décisions. À ce jour, ChatGPT a été utilisé pour 20 décisions judiciaires, ce qui a permis de réduire le temps nécessaire à la rédaction d’une décision d’une heure à environ 10 minutes.

Source : (OCDE/CAF, 2022[297]), https://restofworld.org/2024/buenos-aires-courts-adopt-chatgpt-draft-rulings.

Le temps que prennent les tribunaux pour accorder ou refuser des mesures de protection aux personnes en situation de vulnérabilité, comme celles soumises à des violences domestiques, peut avoir de graves conséquences pour les victimes. Des réponses judiciaires rapides sont essentielles pour assurer la sécurité et le bien-être des personnes confrontées à des menaces immédiates. Des délais d’attente prolongés pour obtenir une ordonnance de protection peuvent exposer les victimes à de nouveaux abus. Certains pays ont mis en œuvre des solutions faisant appel à un ensemble de méthodes, dont l’IA générative, pour aider à fournir des réponses judiciaires en temps voulu et, en tant que de besoin, prendre des mesures de protection4 pour défendre les droits des victimes (Encadré 5.63).

Encadré 5.63. Repenser les services judiciaires à l’aide de l’IA pour mettre en place des mesures de protection efficaces au Pérou

Le système péruvien Amauta Pro, mis au point en interne par la Cour supérieure de justice de Lima-Nord, a été expérimenté dans des affaires de violence domestique. Il utilise un système d’IA et des modèles normalisés de décisions judiciaires pour effectuer diverses tâches essentielles pour déterminer s’il convient d’accorder ou de refuser des mesures de protection. Ces tâches automatisées sont les suivantes :

• Conversion et catégorisation : le système convertit les fichiers lisibles par machine en texte, classe chaque page en fonction du contenu et vérifie la validité des codes de fichier. Cette catégorisation permet d’organiser et de gérer plus efficacement les dossiers.

• Correspondance des affaires : Amauta Pro recherche des procédures ouvertes impliquant les mêmes parties ou des faits connexes. Si des appariements sont trouvés, le système prépare des projets de décision, ce qui simplifie le processus de consolidation des affaires.

• Extraction et nettoyage des données : pour les affaires sans correspondance, le système d’IA extrait les données des rapports de police et d’autres documents pertinents, nettoie le texte et identifie les informations clés.

• Rédaction des décisions : le système rédige les décisions sur la base de données extraites et analysées, les juges pouvant ensuite les examiner et en arrêter la version définitive. Cela réduit le temps nécessaire pour rédiger les décisions.

Le projet vise à améliorer l’accès à la justice des victimes de violences en mettant en place en temps voulu des mesures de protection efficaces. Le système réduit le temps nécessaire pour rédiger une décision, celui-ci passant de 3 heures à 40 secondes. Le projet a recueilli le soutien de l’appareil judiciaire péruvien à son plus haut niveau, y compris celui de son président, ce qui souligne l’importance du projet et la confiance dans sa capacité de transformation de la prestation des services judiciaires au Pérou. Avec plus de 800 propositions de décisions de justice générées au cours de sa phase d’expérimentation, Amauta Pro permet aux juges de consacrer davantage de temps et de ressources aux aspects essentiels de la prise de décision plutôt qu’à des tâches administratives chronophages.

Source : (Gouvernement du Pérou, 2023[299]).

Les algorithmes d’IA peuvent également être entraînés pour identifier et classer les données, y compris le texte contenant des informations personnelles (nom, adresse, par exemple) tirées de documents judiciaires et de transcriptions. Cet outil peut être utilisé pour protéger les informations sensibles et préserver la vie privée, aspects essentiels du traitement des affaires judiciaires. Un certain nombre de pratiques nationales montrent que l’IA s’applique dans ce domaine (Encadré 5.64).

Encadré 5.64. L’anonymisation des décisions de justice grâce à l’IA

Espagne : outil d’anonymisation automatisée des documents juridiques

En Espagne, le ministère de la Présidence, de la Justice et des Relations avec le Parlement propose un outil d’anonymisation robuste dans le cadre du traitement automatique du langage naturel et de sa suite d’IA générative. L’outil prévoit trois modes de suppression des informations permettant d’identifier les personnes dans les documents – automatique, fondé sur les initiales, et entièrement personnalisable –, permettant ainsi la création de documents et d’ensembles de données partageables et conformes au RGPD. En plus de choisir le mode d’anonymisation, les utilisateurs peuvent spécifier les types d’informations qu’ils souhaitent anonymiser. Il s’agit notamment des données liées aux personnes physiques (par exemple les noms), aux personnes morales, aux adresses, aux documents d’identité (par exemple les numéros d’identification ou de passeport), des adresses de courrier électronique et des profils sur les réseaux sociaux.

Croatie : anonymisation automatisée des décisions de justice

En janvier 2025, la Croatie a mis en service ANON, un outil fondé sur l’IA conçu pour automatiser l’anonymisation et la publication des décisions de justice. Intégré au système national de gestion des affaires eSpis, ANON anonymise automatiquement les jugements de première instance et propose une indexation pour la publication sur le portail accessible au public du moteur de recherche des décisions des tribunaux de la République de Croatie (Tražilica odluka sudova Republike Hrvatske). Pour les tribunaux supérieurs, le système facilite l’anonymisation, la vérification finale étant effectuée par le personnel judiciaire habilité. Cette initiative, soutenue par le Plan national pour la reprise et la résilience 2021-26, vise à renforcer la transparence judiciaire, à améliorer l’accès à l’information juridique et à garantir le respect des normes de protection des données à caractère personnel.

Autriche : Une combinaison d’approches de l’anonymisation des décisions de justice

Le ministère fédéral autrichien de la Justice (BMJ) met actuellement en œuvre un vaste projet visant à automatiser l’anonymisation des décisions de justice. Les principaux objectifs du projet sont d’améliorer l’efficacité, de réduire les efforts humains dans le processus d’anonymisation et de permettre une plus large publication et un accès à des décisions de justice anonymisées. Cette initiative s’appuie sur une combinaison d’approches fondées sur l’IA, notamment des méthodes de recherche utilisant des données de répertoire et des expressions régulières, le traitement automatique du langage naturel pour la reconnaissance d’entités nommées et des algorithmes d’apprentissage automatique personnalisés pour affiner en permanence la qualité des résultats en fonction des retours d’information.

France : l’anonymisation fondée sur l’IA pour la diffusion de données ouvertes

Le moteur d’anonymisation fondé sur l’IA de la Cour de cassation française est un élément clé de ses efforts visant à accroître la transparence et l’accessibilité des informations juridiques. Ce système est conçu pour identifier et protéger automatiquement les données à caractère personnel contenues dans les décisions de justice, en vue de la publication de ces décisions dans le cadre d’une initiative d’ouverture des données.

Grèce : synthèse et anonymisation fondées sur l’IA

En Grèce, le ministère de la Justice utilise l’IA pour traduire, synthétiser et anonymiser des documents. En outre, le ministère met actuellement en place un assistant fondé sur l’IA chargé de donner des instructions aux citoyens et aux avocats concernant les services électroniques et non électroniques du système de justice grec.

Note : Les données de répertoire sont des bases de données structurées ou des registres officiels qui contiennent des noms, des numéros d’affaire ou d’autres informations d’identification. Les expressions régulières sont des règles de correspondance de motifs utilisées dans le traitement de texte. Elles aident à détecter et à expurger des motifs spécifiques, tels que des noms, des dates ou des adresses, en se fondant sur des formats prédéfinis.

Source : (Ministère de la Justice (Espagne), 2022[300] ; Ministère fédéral de la Justice (Autriche), 2021[301] ; Sommer, 2021[302]), représentants du ministère croate de la Justice,https://ministryofjustice.gr/?p=13929,https://ministryofjustice.gr/?p=15317.

Améliorer la prestation des services de justice

Dans les pays de l’OCDE, l’IA est déployée pour faciliter la prestation de services juridiques et judiciaires et leur accès en facilitant les consultations initiales grâce à de robots conversationnels et des assistants virtuels. Ces systèmes d’IA peuvent fournir des conseils juridiques préliminaires dans un langage accessible, trier les affaires en fonction de l’urgence et de la pertinence, et guider les utilisateurs tout au long des procédures judiciaires, comme le fait le Portugal (Encadré 5.65).

Encadré 5.65. Au Portugal, un robot conversationnel alimenté par l’IA fournit des informations pratiques

Le ministère portugais de la Justice a mis en œuvre un Guide pratique de la justice (GPJ), robot conversationnel alimenté par l’IA qui permet au public d’accéder facilement aux informations relatives à la justice. Le GPJ est entraîné pour répondre de manière facilement compréhensible à diverses formulations de questions. Il fournit des réponses fondées sur des informations provenant de la Plateforme numérique de la justice, et offre des conseils pratiques sur les questions liées à la justice. Le robot conversationnel est conçu pour accélérer les interactions entre les citoyens et le système de justice, en les aidant à trouver plus efficacement les informations dont ils ont besoin. Le GPJ fournit des réponses simples et facilement accessibles aux demandes de renseignements des citoyens. Il contribue à faire en sorte que le système juridique complexe soit mieux connu du grand public, en rendant les informations relatives à la justice plus accessibles à tous.

Source : (Gouvernement du Portugal, 2024[303]).

Les services d’aide aux victimes devraient également tirer parti des innovations fondées sur l’IA. Ces services, qui impliquent souvent de fournir en temps utile des informations, un soutien juridique et des ressources aux victimes d’actes criminels, peuvent être renforcés par l’intégration des technologies d’IA. Les robots conversationnels fondés sur l’IA, par exemple, peuvent offrir un soutien personnalisé, en donnant aux victimes un accès immédiat à des informations sur leurs droits, les ressources disponibles et les mesures à prendre à la suite d’une infraction (voir l’exemple de l’Encadré 5.66).

Encadré 5.66. Un robot conversationnel aide les enfants victimes en leur fournissant des informations juridiques adaptées

Le projet i-ACCESS My Rights mis en œuvre en Grèce, en Bulgarie et en Roumanie fournit des informations juridiques adaptées à des enfants âgés de 13 à 18 ans, en particulier ceux qui ont été victimes d’abus ou autres infractions. Offrant des informations juridiques générales et des conseils sur les services de soutien disponibles, le robot conversationnel i-ACCESS est conçu pour autonomiser les jeunes victimes en les informant de leurs droits dans le cadre de procédures judiciaires et en les orientant vers les réseaux de soutien appropriés et les autorités compétentes. Ce qui distingue ce projet, c’est qu’il met fortement l’accent sur la participation des enfants au processus de développement au moyen de sessions de co-conception et de conseils consultatifs pour les enfants dans chaque pays. Pour que l’outil d’IA réponde réellement aux besoins et aux préférences de ses jeunes utilisateurs, les enfants ayant une expérience vécue du système de justice ont activement contribué à la conception et à la fonctionnalité du robot conversationnel.

Source : https://justicewithchildren.org/en/i-access-my-rights.

Un système de justice plus proactif grâce aux prévisions

L’IA peut rendre le système de justice plus proactif grâce à l’analyse prédictive. Cette approche prédictive permet aux systèmes de justice de passer d’une approche réactive à une approche proactive, axée sur la prévention et la prise de décision éclairée. Les deux applications habituelles de l’IA dans l’administration de la justice et l’accès à la justice sont la police prédictive – avec laquelle l’IA analyse des données historiques pour identifier des tendances et prévoir des événements potentiels (voir la section sur « l’IA dans l’application de la loi et la gestion des risques de catastrophe ») – et les outils d’évaluation des risques – où l’IA est utilisée pour évaluer la probabilité que des personnes deviennent des victimes ou commettent de nouveau des infractions similaires à l’avenir, étayant ainsi les décisions en matière de mise en liberté sous caution, de condamnation et de libération conditionnelle.

Certains pays ont progressé dans la mise en œuvre d’outils de police prédictive et d’évaluation des risques, en particulier dans le contexte de la prévention de la violence domestique et de la violence de voisinage, avec quelques mises en œuvre prometteuses. L’Espagne et les États-Unis disposent d’un vaste système d’évaluation des risques pour les victimes dans le domaine de la violence domestique (Encadré 5.67). La section de ce chapitre intitulée « L’IA dans l’application de la loi et la gestion des risques de catastrophe » fournit d’autres exemples pertinents de police prédictive.

Encadré 5.67. Système d’évaluation des risques de violence domestique en Espagne

Le système espagnol de suivi complet des cas de violence fondée sur le genre (VioGén) est un outil d’évaluation des risques conçu pour améliorer la protection des victimes et prévenir l’escalade des violences domestiques. Il vise à renforcer la capacité du pays à lutter contre la violence à l’égard des femmes et des filles à l’aide d’évaluations fondées sur des données probantes. Depuis son introduction en 2007, VioGén a traité plus de 670 000 cas, facilitant ainsi une réponse coordonnée du système judiciaire et des forces de police nationales et locales. Le système fonctionne selon un processus structuré d’évaluation des risques, qui commence lorsqu’une victime signale des abus ou lorsque la police intervient dans un cas de violence domestique. Les agents remplissent un questionnaire détaillé, évaluant des facteurs tels que les antécédents de l’agresseur, la gravité des violences antérieures et les vulnérabilités des victimes. L’algorithme attribue ensuite un niveau de risque – faible, moyen, élevé ou très élevé – déterminant les mesures de protection nécessaires, telles que les contrôles de police ou les alarmes d’urgence. Les affaires jugées « d’une importance particulière », sur la base des niveaux de risque, peuvent être signalées aux procureurs et aux juges. Des évaluations de suivi régulières ajustent les classifications des risques, en veillant à ce que les réponses restent appropriées au fil du temps.

Source : (Gouvernement de l’Espagne, 2007[304] ; Algorithm Watch, 2020[305]).

Ces outils aident à identifier les schémas de victimisation et à anticiper et résoudre les problèmes potentiels avant qu’ils ne s’aggravent. Toutefois, ils doivent également être mis en œuvre avec soin pour atténuer les biais et respecter les normes éthiques au sein du système de justice. En Espagne, si les données disponibles laissent à penser que l’outil d’évaluation des risques VioGén (Encadré 5.67) renforce la protection des victimes, les préoccupations relatives à la « boîte noire » algorithmique, aux risques d’erreur de classification et aux connaissances limitées sur l’utilisation des outils numériques et des approches sensibles aux besoins des femmes et des filles soulignent l’importance d’une formation appropriée des utilisateurs, ainsi que de mécanismes de transparence et de contrôle. L’algorithme de VioGén semble rester largement opaque ; sa formule exacte n’est pas divulguée, ce qui pose question en matière de responsabilité et d’équité. Les rapports indiquent également que dans 95 % des cas, les agents adhèrent à la classification des risques de VioGén sans modification, bien qu’ils aient la faculté de la modifier (Algorithm Watch, 2020[305]).

Un autre exemple, aux États-Unis, est le Correctional Offender Management Profiling for Alternative Sanctions (COMPAS), un outil breveté d’évaluation des risques qui permet d’évaluer la probabilité de récidive d’un prévenu. Utilisé dans plusieurs juridictions américaines, cet outil a été conçu pour aider les tribunaux à prendre des décisions éclairées en matière de mise en liberté sous caution, de condamnation et de libération conditionnelle en prédisant les risques de récidive simple et de récidive violente (Equivant, 2025[306]). Ce système analyse les données tirées d’un questionnaire complet qui couvre des facteurs tels que les antécédents judiciaires, la toxicomanie, les liens sociaux et d’autres données personnelles. Ces informations sont traitées au moyen d’un algorithme propriétaire afin de classer les individus en fonction de leur risque de récidive, faible, moyen ou élevé. Ces cotes de risque aident les professionnels du droit à adapter les interventions et les niveaux de surveillance au risque évalué pour chaque délinquant.

Bien que le système COMPAS ait permis de réaliser des gains d’efficience en termes de délais de traitement et de normalisation entre les juridictions, il a fait l’objet d’une attention particulière en raison de son niveau de précision de 68 % (De Miguel Beriain, 2018[307] ; Grgić-Hlača et al., 2018[308]). Comme dans le cas de VioGén, la transparence limitée de l’algorithme de COMPAS a également contribué à ce que des questions éthiques se posent sur la fiabilité du système pour prendre des décisions fondamentales telles celles ayant trait à la liberté des prévenus. Depuis, certaines administrations ont cherché des solutions de rechange plus transparentes, comme l’évaluation de la sécurité publique (EPS), une méthode statistique d’évaluation des risques ne faisant pas l’objet d’un droit de propriété (APPR, 2025[309]) – tandis que d’autres continuent d’utiliser des outils comme COMPAS en faisant preuve d’une vigilance renforcée.

L’IA recèle un énorme potentiel pour rendre les systèmes de justice plus proactifs (voir ci-après la section « Potentiel inexploité et perspectives »). Pourtant, il reste encore beaucoup de chemin à parcourir avant de tirer parti des avantages des systèmes prédictifs fondés sur l’IA. Il s’agit notamment de développer la formation des professionnels de la justice à l’utilisation des outils d’IA, d’accroître la transparence des algorithmes et de renforcer la surveillance humaine (voir ci-après la section « Gérer les risques et les défis »).

Suivre les performances du système judiciaire et renforcer la responsabilité

L’IA s’est révélée efficace dans divers scénarios pour améliorer la transparence et la responsabilité des activités des pouvoirs publics (OCDE, 2022[152]). Les applications de l’IA pour la surveillance externe et interne du secteur de la justice sont axées sur le suivi des performances des systèmes judiciaires et le renforcement de la responsabilité. Les systèmes d’IA peuvent apporter des éclairages sur les performances des tribunaux, repérer les éventuelles incohérences dans la prise de décision et faciliter l’évaluation des politiques. Ces systèmes devraient s’accompagner des mécanismes de gouvernance préexistants en matière d’équilibre des pouvoirs (par exemple l’indépendance administrative et le contrôle judiciaire autonome) afin de garantir l’autonomie de l’institution judiciaire. Le suivi des performances des tribunaux fondé sur l’IA pourrait entraîner des interférences non appropriées en l’absence de protections. Les mécanismes de contrôle en matière d’équilibre des pouvoirs (tels que les organes de contrôle indépendants, l’indépendance administrative et le contrôle judiciaire autonome) contribuent à empêcher l’utilisation des outils d’IA pour influer sur l’issue des affaires ou évaluer injustement les juges. L’IA peut mettre en évidence des tendances dans les décisions judiciaires, mais en l’absence de mécanismes de gouvernance indépendants, ces informations pourraient être utilisées à mauvais escient (par exemple en pénalisant les juges pour des décisions impopulaires au lieu de se concentrer sur les améliorations systémiques).

Bien que moins courantes que d’autres applications, ces activités de surveillance représentent un domaine important présentant un potentiel de développement de l’IA dans les systèmes de justice. Le projet RAFA 2030 mis en œuvre par la Cour suprême brésilienne (STF) se distingue comme exemple innovant d’utilisation de l’IA à des fins de surveillance (Encadré 5.68).

Encadré 5.68. Mettre à profit la surveillance au moyen de l’IA à la Cour suprême du Brésil

Le projet RAFA 2030 mis en œuvre par la Cour suprême brésilienne (STF) utilise l’apprentissage automatique et l’apprentissage profond pour classer les données par catégorie, par procédures inscrites à l’ordre du jour de la session plénière de la Cour, par origine de la procédure, par classe, par état de la procédure (en cours ou achevée), et en fonction des Objectifs de développement durable (ODD) 2030. Le projet RAFA 2030 non seulement soutient l’évaluation interne des performances, mais facilite également le contrôle externe en fournissant un cadre normalisé pour évaluer la mise en œuvre du programme des ODD dans le contexte des décisions de la Cour suprême. La classification automatisée des affaires en fonction des ODD donne un aperçu clair de la manière dont la décision de la Cour est alignée sur le Programme 2030.

En outre, en alignant les affaires judiciaires sur les objectifs mondiaux en matière de durabilité, le projet RAFA 2030 permet de comparer les performances de la Cour suprême avec celles d’autres juridictions supérieures internationales. Le système a déjà permis de classer 3 315 affaires judiciaires, ce qui montre qu’il peut améliorer la transparence et aligner les activités judiciaires sur des objectifs sociétaux plus larges.

Source :https://portal.stf.jus.br/hotsites/agenda-2030.

En Israël, le ministère israélien de la Justice a mis en œuvre une initiative fondée sur l’IA au sein du Bureau du défenseur public afin de soutenir la surveillance au sein du Bureau, d’améliorer la qualité de la représentation juridique et de renforcer les mécanismes de contrôle. Le projet combine les technologies d’apprentissage automatique, de traitement automatique du langage naturel et de reconnaissance optique de caractères pour rationaliser l’examen et la gestion des dossiers d’affaires pénales. Cette initiative contribue à la surveillance de la qualité de la défense en permettant une analyse automatisée des documents juridiques, en améliorant les contrôles de cohérence et en identifiant les problèmes potentiels dans le traitement des affaires5.

Données probantes sur l’impact

Des initiatives novatrices comme celles évoquées ci-dessus ont rendu l’information juridique plus accessible, en éliminant les obstacles qui empêchent depuis longtemps de nombreuses personnes de participer pleinement au système de justice. Ces outils fondés sur l’IA contribuent à répondre aux besoins de nombreuses personnes, comme celui d’identifier les services de justice les plus adaptés à leur situation particulière, à promouvoir une meilleure information de la population et à ouvrir la voie à des systèmes de justice plus efficaces et efficients.

L’un des effets les plus importants de l’IA a été sa capacité à accélérer diverses procédures juridiques. En réduisant le temps nécessaire à l’examen et à la catégorisation des documents, l’IA permet de traiter davantage d’affaires en un temps réduit. La solution d’IA susmentionnée de la Cour de cassation française pour pré-orienter les pourvois a, par exemple, obtenu le résultat de 87 % de bonne pré-orientation sur les mémoires ampliatifs de 2020 (Cour de cassation, 2024[292]). Le système péruvien d’IA Amauta Pro (Encadré 5.63), qui a permis d’améliorer la réactivité du système judiciaire, a modifié la vitesse à laquelle les tribunaux peuvent répondre aux victimes de violences, réduisant de trois heures à 40 secondes le temps nécessaire pour rédiger des décisions relatives aux mesures de protection. Il améliore également fondamentalement la réactivité globale du système judiciaire face aux affaires de violence à l’égard des femmes et des membres de la famille, contribuant ainsi à un accès effectif à la justice.

Bien qu’il existe des données sur les résultats et l’impact pour certains cas d’utilisation spécifiques, comme indiqué dans les exemples ci-dessus, les gouvernements n’ont pas encore recueilli ni enregistré à grande échelle d’informations relatives aux résultats et aux effets pour de nombreux autres cas. Bien que les applications de l’IA suscitent un intérêt croissant dans l’ensemble des systèmes de justice, les pays n’ont pas mis en place de mécanismes systématiques de collecte et d’analyse des données relatives à leur impact. Les données factuelles existantes restent fragmentées, se limitant souvent à des études pilotes ou à des évaluations sectorielles, et peu d’évaluations complètes sont réalisées au niveau organisationnel ou national (Queen Mary University of London; Centre for European Policy Studies, 2021[310]). Ce déficit de données factuelles aux niveaux organisationnel et national signifie que les réformateurs ne tirent pas les enseignements de l’expérience. Des innovations potentiellement efficaces en matière d’IA pourraient être négligées ou, à l’inverse, des outils non éprouvés pourraient être déployés à plus grande échelle de manière inappropriée.

Si certains pays et territoires font état de gains d’efficience résultant de la gestion des affaires assistée par l’IA ou de la recherche juridique automatisée, on dispose de peu de données empiriques permettant de savoir si ces outils améliorent la prestation de services de justice centrés sur les personnes ou la justesse des décisions prises. En l’absence d’un suivi structuré, les pouvoirs publics risquent de déployer des solutions d’IA sans que leurs avantages ou leurs conséquences indésirables soient clairement démontrés, ce qui limite leur capacité à prendre des décisions éclairées. Le manque de données probantes sur l’impact reflète un problème systémique plus large : les systèmes de justice ont souvent rencontré des difficultés pour collecter et utiliser efficacement les données (World Justice Project, 2021[311]). Pendant longtemps, les systèmes de justice ont recouru essentiellement au format papier pour les procédures (Byrom, Piccinin-Barbieri et Wells, 2024[312]) (voir « Gérer les risques et les défis » ci-dessous).

Gérer les risques et les défis

Risques associés

• Données insuffisantes ou biaisées dans les systèmes d’IA

• Manque de transparence et d’explicabilité

• Inexactitude, contrevérités et manque de fiabilité

• Dépendance excessive à l’égard de l’IA et opposition à son utilisation par les pouvoirs publics

Des inexactitudes ou des conséquences négatives pour certains individus ou groupes pourraient résulter de systèmes d’IA qui s’appuient sur des données insuffisantes ou biaisées. En ce qui concerne l’administration de la justice et l’accès à la justice, cela pourrait entraîner, par exemple, des évaluations des risques inexactes (par exemple, pour la probabilité de récidive) qui pourraient avoir des répercussions négatives pour certaines personnes.

Le manque de transparence des systèmes d’IA utilisés pour l’administration de la justice a été identifié comme un autre sujet de préoccupation lors de l’examen des cas d’utilisation. Si l’on prend les exemples cités dans la section « Un système de justice plus proactif grâce aux prévisions », les systèmes d’IA tels que VioGén et COMPAS, qui ont été conçus pour améliorer l’efficience et la prise de décision, fonctionnent souvent comme des boîtes noires, leurs méthodologies sous-jacentes, la pondération des facteurs et les biais potentiels étant à l’abri de l’examen du public. Le caractère exclusif de certains systèmes d’IA ou l’absence d’audits externes empêchent les défendeurs de comprendre ou de contester les scores de risque qui influencent les décisions, ce qui soulève des préoccupations quant à la régularité de la procédure et à l’équité des décisions judiciaires. Si le manque de transparence des algorithmes n’est pas un problème rare, il constitue un point très sensible dans l’administration et l’accès à la justice, car il peut porter atteinte aux droits humains et aux libertés fondamentales et renforcer les inégalités systémiques dans les sociétés. Le manque de transparence des algorithmes a des répercussions importantes sur l’explicabilité des décisions judiciaires. Lorsque les systèmes d’IA ne sont pas transparents, il devient difficile de comprendre la raison d’être des décisions. Cette opacité peut entraîner des difficultés à remettre en cause et à garantir l’équité des décisions, conduisant à une méfiance à l’égard de l’utilisation des outils et, en définitive, à l’égard des systèmes de justice.

Le recours à l’IA et les préoccupations potentielles concernant la dépendance excessive à son égard introduisent en matière de responsabilité de nouvelles strates de complexité qui nécessitent des mécanismes de surveillance robustes. Tous les juges ne sont pas convaincus de l’utilisation des systèmes d’IA dans les systèmes de justice et certains d’entre eux s’inquiètent de leurs applications. Par exemple, 27 % des personnes interrogées dans le cadre d’une enquête de l’UNESCO auprès d’opérateurs judiciaires ont exprimé des préoccupations quant à la qualité des résultats du robot conversationnel fondé sur l’IA, mettant en évidence des problèmes tels que les inexactitudes, les contrevérités et le manque de fiabilité. Les pouvoirs publics peuvent atténuer ces risques en mettant en place des cadres d’action et de réglementation solides. L’Espagne, par exemple, a mis en place un cadre pour une utilisation responsable et éthique de l’IA dans le domaine de la justice, reconnaissant le potentiel de l’IA pour soutenir, mais pas remplacer, la prise de décision juridictionnelle (Encadré 5.69). En Grèce, le comité scientifique permanent du ministère de la Justice, chargé d’examiner les effets de l’introduction de l’IA dans le système judiciaire, a élaboré des lignes directrices que les organes compétents des tribunaux et les parquets doivent suivre6.

Encadré 5.69. Espagne : Politique nationale en matière d’utilisation de l’IA dans l’administration de la justice

En juin 2024, le Comité technologique espagnol pour l’administration judiciaire électronique (CTEAJE) a approuvé la politique nationale d’utilisation de l’intelligence artificielle dans l’administration de la justice. Cette politique établit les fondements d’une utilisation responsable, légale et éthique de l’IA dans le cadre judiciaire. Fondée sur les dispositions de la loi espagnole sur l’efficacité numérique de la justice (décret-loi royal n° 6/2023), qui réglemente l’utilisation de l’IA dans le secteur de la justice, cette politique vise à concilier innovation technologique et intégrité judiciaire. Elle reconnaît le potentiel de l’IA pour soutenir, mais pas remplacer, la prise de décision par les juridictions.

Cette politique s’applique à tout système d’IA qui traite des données judiciaires, depuis le dépôt initial d’une plainte jusqu’au règlement définitif de l’affaire. Elle établit une distinction claire entre les systèmes susceptibles d’avoir une incidence sur l’indépendance de la justice et ceux aux fins purement administratives. Ces lignes directrices sont contraignantes pour tous les membres du personnel du système de justice, y compris les collaborateurs externes des secteurs public et privé qui ont accès aux données judiciaires. Cette politique a été approuvée par les principales parties prenantes institutionnelles du système de justice espagnol : le Conseil général du pouvoir judiciaire (CGPJ), le Bureau du Procureur général, toutes les administrations régionales compétentes en matière d’administration de la justice, et le ministère de la Présidence, de la Justice et des Relations avec le parlement.

En plus de ces principes, cette politique fournit des orientations opérationnelles en décrivant les utilisations acceptables de l’IA – telles que la synthèse de documents internes et l’automatisation de tâches administratives non sensibles – et en indiquant explicitement celles qui sont interdites. Les utilisations interdites comprennent la prise de décision automatisée sans supervision humaine et la production de contenus juridiques contraignants fondés sur des données protégées. Cette politique exige également un étiquetage clair des produits générés par l’IA et affirme la souveraineté nationale sur les données et algorithmes utilisés.

Les responsabilités en matière de surveillance sont clairement définies dans la politique. Lorsque les outils d’IA ont un impact sur les fonctions judiciaires, le CGPJ est chargé de mener des audits algorithmiques afin de préserver l’indépendance de la justice et d’assurer la transparence. Pour les outils utilisés dans des contextes non judiciaires, la surveillance est confiée au CTEAJE ou à l’autorité administrative compétente. Parmi les autres mécanismes figurent la tenue de registres « FAT » (Fairness, Accuracy, and Transparency) pour l’équité, l’exactitude et la transparence des systèmes d’IA et une collaboration interinstitutionnelle soutenue visant à promouvoir une innovation respectueuse de l’éthique dans l’ensemble de l’écosystème judiciaire espagnol.

Source : (Ministère de la Justice (Espagne), 2024[313]) ; informations fournies à l’OCDE par des responsables du ministère de la Présidence, de la Justice et des Relations avec le Parlement.

Outre la transparence algorithmique, les pays devraient envisager de mettre en place une surveillance humaine efficace de l’utilisation des outils d’IA dans leurs systèmes de justice, notamment des systèmes d’IA dotés de processus décisionnels clairs permettant aux parties prenantes de comprendre les capacités et les limites de l’IA, d’en interpréter les résultats et d’en suivre en permanence les performances, et aux humains d’intervenir et d’assurer un contrôle (OCDE, 2024[91]). Des lignes directrices en matière d’éthique, telles que la Charte éthique européenne d’utilisation de l’intelligence artificielle dans les systèmes judiciaires et leur environnement de 2018, ont constitué une première étape à cet égard, en définissant des principes visant à garantir que le développement de l’IA dans les systèmes judiciaires respecte les droits fondamentaux tels que conceptualisés par le droit de l’UE (CEPEJ, 2018[290]). Le suivi et l’amélioration continus devraient être intégrés dans un cadre opérationnel, permettant des audits réguliers des performances et des conséquences de l’IA. En outre, les plans opérationnels devraient tenir compte de la nature évolutive de la législation et contribuer à faire en sorte que les systèmes d’IA puissent être mis à jour pour prendre en compte l’évolution de la législation ou des précédents.

Défis de mise en œuvre

• Manque de données de qualité et incapacité à les partager

• Déficits de compétences

• Manque de cadres et d’orientations pratiques sur l’utilisation de l’IA

Pendant très longtemps, les systèmes de justice ont utilisé de manière prédominante le papier et, jusqu’à récemment, peu d’efforts y ont été déployés pour mettre en œuvre une bonne gouvernance des données (Byrom, Piccinin-Barbieri et Wells, 2024[312]). Cet héritage est encore très présent aujourd’hui. Par exemple, selon l’indice OURdata de l’OCDE, les pays obtiennent de meilleurs résultats en matière de disponibilité des données statistiques et géospatiales qu’en matière de disponibilité des données relatives à la justice (OCDE, 2023[314]). En outre, lorsque des données sont collectées, elles sont souvent stockées dans des formats qui ne sont pas facilement accessibles (par exemple, au format narratif, PDF ou papier), ou enregistrées différemment d’une administration à l’autre (Byrom, Piccinin-Barbieri et Wells, 2024[312]). Le système de justice traite de grandes quantités de données complexes et nuancées, notamment celles relatives à la jurisprudence, aux lois et aux informations propres aux différentes affaires. Il est primordial de veiller à ce que ces données sur la justice soient exactes, complètes et exemptes de biais historiques. Cela implique d’améliorer la qualité et la représentativité des données utilisées pour entraîner les systèmes d’IA, la robustesse des systèmes qui hébergent ces données et la capacité à traiter des informations sensibles en toute sécurité (Byrom, Piccinin-Barbieri et Wells, 2024[312]). En outre, l’infrastructure technique devrait être capable de traiter ces données efficacement tout en maintenant les normes les plus élevées de sécurité et de confidentialité.

L’adéquation opérationnelle est axée sur l’intégration fluide de l’IA dans les processus et les flux de travail existants ainsi que sur le renforcement des compétences numériques. Il s’agit notamment de former les professionnels du droit, notamment les juges, à l’utilisation efficace des outils d’IA et à l’interprétation des enseignements tirés de l’IA, et d’adapter les processus qui doivent être optimisés pour intégrer des solutions fondées sur l’IA. Certains pays ont pris des mesures à cet égard dans le cadre du déploiement des outils d’IA (CNJ, 2025[294]).

L’utilisation de l’IA soulève des questions de conformité réglementaire, ce qui est particulièrement important dans le système de justice en raison de l’enjeu des décisions judiciaires et du fait que des droits fondamentaux ou constitutionnels doivent être respectés. La législation de l’UE sur l’IA illustre l’évolution du paysage réglementaire, en classant les systèmes d’IA dans les domaines de l’application de la loi et de l’administration de la justice comme étant à haut risque. Cela signifie que dans l’UE, des obligations strictes doivent être respectées avant que ces systèmes puissent être mis sur le marché de l’UE, notamment l’obligation de se soumettre à une évaluation par un tiers. Alors qu’on élabore de plus en plus de règles générales, des orientations pratiques sur la manière dont l’IA peut être utilisée de manière fiable dans un domaine aussi sensible que l’administration de la justice manquent souvent. Le Royaume-Uni et la Colombie ont cherché à mettre en place de telles orientations (Encadré 5.70 et Encadré 5.71).

Encadré 5.70. Royaume-Uni : directive de l’autorité judiciaire sur l’IA

Au Royaume-Uni, la directive de l’autorité judiciaire sur l’IA donne des orientations aux titulaires de fonctions judiciaires sur l’utilisation de l’IA dans les tribunaux, en décrivant les risques associés et les mesures à prendre pour les gérer. Elle garantit que toute utilisation de l’IA est conforme aux obligations de l’autorité judiciaire, en particulier celle de protéger l’intégrité de la justice. Elle s’applique à tous les titulaires de fonctions judiciaires sous l’autorité de la cheffe de l’autorité judiciaire et présidente des tribunaux d’Angleterre et du Pays de Galles (Lady Chief Justice), ainsi qu’aux greffiers et au personnel de soutien.

Elle aborde des points essentiels, tels que la confidentialité, la responsabilité, les biais et la sécurité. Elle énonce les principes d’utilisation des outils d’IA, en précisant les tâches pour lesquelles l’IA peut apporter une aide, comme la synthèse de textes et les activités administratives, tout en recommandant la prudence dans des domaines comme la recherche et l’analyse juridiques. Elle met également en évidence les risques de mésinformation et ceux liés à l’utilisation de contenus générés par l’IA dans le cadre de procédures judiciaires. Outre les orientations clés, ce document contient également des exemples illustrant les utilisations et les risques potentiels de l’IA générative dans les tribunaux.

Élaborée par un groupe interjuridictionnel de l’autorité judiciaire après consultation de tous les titulaires de fonctions judiciaires, cette directive représente une première étape pour soutenir l’utilisation de l’IA par le système judiciaire. Parmi les initiatives à venir figure la publication d’un document (FAQ) pour répondre aux questions posées par les membre de l’autorité judiciaire, des examens étant régulièrement conduits pour s’adapter aux progrès technologiques.

Source : (Royaume-Uni, 2023[315])

Encadré 5.71.  Directive colombienne sur les règles et lignes directrices en matière d’IA dans le secteur judiciaire

En décembre 2024, le Conseil supérieur de la magistrature de Colombie a publié l’Accord PCSJA24-12243, qui établit des lignes directrices pour une utilisation de l’IA respectueuse, responsable, sûre et éthique au sein de l’appareil judiciaire. Cette directive vise à améliorer l’accès à la justice, la transparence et l’efficacité de l’administration judiciaire en intégrant l’IA dans la gestion des documents, les tâches administratives et les activités de soutien. Le document décrit trois composantes de la mise en œuvre : le besoin de programmes de formation complets ; la mise en œuvre d’initiatives et le partage des cas d’utilisation ; et l’élaboration de lignes directrices sur l’utilisation des systèmes d’IA dans le système judiciaire.

Cette directive a suivi l’utilisation de ChatGPT dans une décision concernant une exemption de frais médicaux pour un enfant autiste. En janvier 2023, un juge de Carthagène a intégré les réponses générées par l’IA dans sa décision pour accélérer le processus de rédaction. Cette initiative a suscité un vif débat sur la fiabilité et l’éthique de l’IA dans les décisions de justice. En réponse, le Conseil supérieur de la magistrature a publié l’Accord PCSJA24-12243, soulignant la nécessité de lignes directrices claires pour garantir une utilisation appropriée des outils d’IA. Cet incident souligne l’urgente nécessité de renforcer la culture numérique au sein du système judiciaire en ce qui concerne les capacités et les limites de l’IA, afin d’éviter une dépendance excessive à l’égard de la technologie et de maintenir une supervision humaine dans la prise de décision judiciaire. Depuis l’Accord PCSJA24-12243, plusieurs actions et initiatives ont été mises en œuvre, notamment des enquêtes visant à évaluer l’utilisation de l’IA par le personnel des tribunaux, des programmes de formation avec des professionnels du droit présentant des outils fondés sur l’IA pour les opérations des tribunaux, et des partenariats avec des universités et des organisations internationales portant sur des ateliers et des programmes de formation.

Source : (Colombie, 2024[316] ; Colombie, 2024[316] ; UNESCO, 2025[317]).

Potentiel inexploité et perspectives

Les personnes et les professionnels du droit peuvent utiliser les applications d’IA pour des services tels que les conseils juridiques, l’accès à l’information ou la préparation de documents. Des systèmes de justice bien conçus, qui combinent efficience, transparence et convivialité, ont plus de chances d’être accessibles et de répondre aux besoins du public. Les algorithmes avancés et les techniques d’apprentissage automatique de l’IA peuvent contribuer à rendre les procédures judiciaires plus cohérentes, transparentes et exemptes de biais humains, et aider les tribunaux à contrôler l’efficience et les ressources. L’IA peut améliorer la responsabilité en signalant en temps réel les incohérences et les biais potentiels. Les systèmes peuvent être programmés pour détecter des schémas inhabituels qui pourraient indiquer un biais ou une faute et pour les signaler aux parties prenantes. Par exemple, si les données révèlent que certains groupes démographiques sont ciblés de manière disproportionnée ou font l’objet de peines plus sévères, ces disparités peuvent être rapidement identifiées et corrigées. Ce suivi et ces alertes en temps réel peuvent donner lieu à des examens immédiats et à des mesures correctives, ce qui renforce globalement l’équité et l’intégrité du système de justice.

Les systèmes d’IA devraient s’accompagner des mécanismes de gouvernance préexistants en matière d’équilibre des pouvoirs (par exemple l’indépendance administrative et le contrôle judiciaire autonome) afin de garantir l’autonomie du pouvoir judiciaire. Ces mécanismes de gouvernance sont conformes à la vision exposée dans la Convention-cadre du Conseil de l’Europe sur l’intelligence artificielle et les droits de l’homme, la démocratie et l’État de droit (2024[318]), qui souligne l’importance de préserver l’indépendance de la justice et l’accès à la justice lors de la mise en œuvre des systèmes d’IA.

La confiance est peut-être l’aspect le plus crucial du système de justice car les décisions peuvent avoir un fort impact sur la vie des individus et la confiance de la société. Cet aspect englobe la transparence, l’explicabilité, l’équité et la responsabilité, l’égalité de traitement, les questions éthiques et de protection de la vie privée, et le déficit de justice auquel il convient de remédier. Il convient d’examiner attentivement la possibilité que les systèmes d’IA perpétuent ou amplifient les disparités sociétales et les lacunes en matière de justice. Les systèmes d’IA devraient être conçus de manière à éviter de perpétuer ou d’exacerber les biais existants dans le système de justice, notamment en ce qui concerne la race, le sexe ou le statut socioéconomique.

La transparence algorithmique est essentielle non seulement pour des raisons éthiques, mais aussi pour satisfaire aux exigences légales en matière de régularité de la procédure. L’explicabilité des décisions fondées sur l’IA est essentielle pour préserver la confiance du public et permettre des recours utiles. Les considérations éthiques devraient s’appliquer à toutes les parties prenantes, y compris les défendeurs, les victimes, les professionnels du droit et la société dans son ensemble.

Le potentiel de transformation de l’IA en matière de justice exige une approche centrée sur l’humain qui favorise la transformation numérique tout en protégeant les droits de l’homme. Une gouvernance efficace suppose une collaboration entre les responsables de l’action publique, les professionnels du droit et les spécialistes de la technologie pour que les applications de l’IA soient conformes aux principes d’équité et d’intégrité procédurale. Des évaluations d’impact continues, l’association des parties prenantes et des mécanismes de recours renforcent à la fois la légitimité et l’efficacité. Cela souligne l’importance de concevoir les systèmes d’IA comme des outils qui soutiennent la prise de décision judiciaire et l’administration de la justice et renforcent la capacité à rendre une justice centrée sur les personnes.

Dans ce contexte, il demeure essentiel de mettre en place des cadres de gouvernance solides et des mécanismes de suivi continu pour garantir une utilisation fiable et équitable de l’IA dans les systèmes de justice. Pour soutenir la gouvernance de l’IA dans le domaine de la justice et garantir son utilisation responsable, les Principes de l’OCDE sur l’IA (tableau 2.2), le Cadre de l’OCDE pour une IA digne de confiance dans l’administration publique (graphique 4.6) et le Cadre commun de notifications des incidents liés à l’IA de l’OCDE (2025[319]) peuvent constituer de bons points de départ. Les Principes de l’OCDE sur l’IA plaident en faveur de la croissance inclusive, du développement durable et du bien-être, en soulignant l’importance des valeurs centrées sur l’humain et de l’équité. Ils appellent à ce que les systèmes d’IA soient transparents et que leurs décisions soient compréhensibles par les personnes concernées. Le Cadre pour une IA digne de confiance dans l’administration publique peut être un outil utile à l’appui d’une utilisation responsable de l’IA dans le secteur de la justice. La Méthodologie de l’OCDE pour la surveillance des incidents liés à l’IA peut aider le secteur de la justice à surveiller ces incidents, en veillant à ce que ces systèmes soient responsables, dignes de confiance et bénéfiques, et en atténuant les risques potentiels associés à leur déploiement.

Références

[134] Abrell, J., M. Kosch et S. Rausch (2022), « How effective is carbon pricing?—A machine learning approach to policy evaluation », Journal of Environmental Economics and Management, vol. 112, p. 102589, https://doi.org/10.1016/j.jeem.2021.102589.

[278] Access Now (2022), Ban Biometric Surveillance, https://www.accessnow.org/campaign/ban-biometric-surveillance/.

[136] ACE (2025), Government administrative data sources for evaluation in Australia, https://evaluation.treasury.gov.au/sites/evaluation.treasury.gov.au/files/2025-01/government-administrative-data-sources-for-evaluation-in-australia.pdf.

[79] Agencia Nacional de Contratación Pública –Colombia Compra Eficiente (2024), VISUALIZACIONES COMPRA PÚBLICA, https://www.colombiacompra.gov.co/content/visualizaciones-compra-publica.

[164] AI.GOV.UK (2024), i.AI Consultation Analyser, https://ai.gov.uk/consultations/.

[222] Aldemir, C. et T. Uçma Uysal (2025), « Artificial Intelligence for Financial Accountability and Governance in the Public Sector: Strategic Opportunities and Challenges », Administrative Sciences, vol. 15/2, p. 58, https://doi.org/10.3390/admsci15020058.

[305] Algorithm Watch (2020), Automating Society Report, https://automatingsociety.algorithmwatch.org/report2020/spain/spain-story/.

[130] Alon-Barkat, S. et M. Busuioc (2022), « Human–AI Interactions in Public Sector Decision Making: “Automation Bias” and “Selective Adherence” to Algorithmic Advice », Journal of Public Administration Research and Theory, vol. 33/1, pp. 153-169, https://doi.org/10.1093/jopart/muac007.

[215] Alowais, S. et al. (2023), « Revolutionizing healthcare: the role of artificial intelligence in clinical practice », BMC Medical Education, vol. 23/1, https://doi.org/10.1186/s12909-023-04698-z.

[269] Amos, J. (2020), « Bushfires: Australian satellite would be ’tuned’ to eucalypt vegetation », https://www.bbc.com/news/science-environment-51727231 (consulté le 4 mars 2025).

[83] Andersson, P., K. Arbin et C. Rosenqvist (2025), « Assessing the value of artificial intelligence (AI) in governmental public procurement », Journal of Public Procurement, vol. 25/1, pp. 120-139, https://doi.org/10.1108/jopp-05-2024-0057.

[169] Androutsopoulou, A. et al. (2019), « Transforming the communication between citizens and government through AI-guided chatbots. », Government Information Quarterly, vol. 36/2, pp. 358-367, https://doi.org/10.1016/j.giq.2018.10.001.

[78] Ansari, B., M. Barati et E. Martin (2022), « Enhancing the usability and usefulness of open government data: A comprehensive review of the state of open government data visualization research », Government Information Quarterly, vol. 39/1, p. 101657, https://doi.org/10.1016/j.giq.2021.101657.

[193] Anshari, M. et al. (2024), « Public service delivery, artificial intelligence and the sustainable development goals: trends, evidence and complexities », Journal of Science and Technology Policy Management, vol. 16/1, pp. 163-181, https://doi.org/10.1108/jstpm-07-2023-0123.

[250] Aoki, N. (2020), « An experimental study of public trust in AI chatbots in the public sector », Government Information Quarterly, vol. 37/4, p. 101490, https://doi.org/10.1016/j.giq.2020.101490.

[251] Aoki, N., M. Tay et M. Yarime (2024), « Trustworthy public sector AI: research progress and future agendas », dans Research Handbook on Public Management and Artificial Intelligence, Edward Elgar Publishing, https://doi.org/10.4337/9781802207347.00026.

[55] APA (2023), Worries about artificial intelligence, surveillance at work may be connected to poor mental health, https://www.apa.org/news/press/releases/2023/09/artificial-intelligence-poor-mental-health.

[309] APPR (2025), About the Public Safety Assessment, https://advancingpretrial.org/psa/about/.

[159] Arana-Catania, M. et al. (2021), « Citizen participation and machine learning for a better democracy », Digital Government: Research and Practice, vol. 2/3, pp. 1-22, https://doi.org/10.1145/3452118.

[149] Araszkiewicz, M. et V. Rodríguez-Doncel (2019), Legal Knowledge and Information Systems: JURIX 2019: The Thirty-second Annual Conference, https://ebooks.iospress.nl/volume/legal-knowledge-and-information-systems-jurix-2019-the-thirty-second-annual-conference.

[101] Ash, E., S. Galletta et T. Giommoni (2020), « A Machine Learning Approach to Analyzing Corruption in Local Public Finances », SSRN Electronic Journal, https://doi.org/10.2139/ssrn.3589545.

[77] Attard, J. et al. (2015), « A systematic review of open government data initiatives », Government Information Quarterly, vol. 32/4, pp. 399-418, https://doi.org/10.1016/j.giq.2015.07.006.

[198] Babšek, M. et al. (2025), « Artificial Intelligence Adoption in Public Administration: An Overview of Top-Cited Articles and Practical Applications », AI, vol. 6/3, p. 44, https://doi.org/10.3390/ai6030044.

[19] Bailey, K. (2023), The Ethics of AI in Finance: How to Detect and Prevent Bias, https://corporatefinanceinstitute.com/resources/data-science/ai-ethics-in-finance-detect-prevent-bias/ (consulté le 10 avril 2025).

[68] Banque mondiale (2023), OUTPUT 14 - Report on the proposed tool for screening of legislation, https://documents1.worldbank.org/curated/en/099011924055735846/pdf/P169141129e0ad0f618892137a09a4eb9f9.pdf.

[216] Bastani, H. et al. (2021), « Efficient and targeted COVID-19 border testing via reinforcement learning », Nature, vol. 599/7883, pp. 108-113, https://doi.org/10.1038/s41586-021-04014-z.

[111] Bénassy-Quéré, A. (2022), Ex ante, ex post : les deux jambes pas toujours raccord de l’évaluation, https://www.tresor.economie.gouv.fr/Articles/2022/02/11/ex-ante-ex-post-les-deux-jambes-pas-toujours-raccord-de-l-evaluation.

[242] Bennett Institute (2024), Public Health gets personal: The case for an AI-driven personalised prevention platform, https://www.bennettinstitute.cam.ac.uk/wp-content/uploads/2024/03/The-case-for-an-AI-driven-personalised-prevention-platform.pdf.

[165] Berditchevskaia, A. et P. Baeck (2020), The Future of Minds and Machines: How artificial intelligence can enhance collective intelligence.

[35] BEREC (2023), Report on the impact of Artificial Intelligence (AI) solutions in the telecommunications sector on regulation, https://www.berec.europa.eu/en/document-categories/berec/reports/berec-report-on-the-impact-of-artificial-intelligence-ai-solutions-in-the-telecommunications-sector-on-regulation.

[200] Berman, A., K. de Fine Licht et V. Carlsson (2024), « Trustworthy AI in the public sector: An empirical analysis of a Swedish labor market decision-support system », Technology in Society, vol. 76, p. 102471, https://doi.org/10.1016/j.techsoc.2024.102471.

[191] Berryhill, J. et al. (2019), Hello, World : Artificial intelligence and its use in the public sector, Éditions OCDE, Paris, https://doi.org/10.1787/726fd39d-en.

[135] Better Evaluation Knowledge (2022), Rapid Evaluation, https://www.betterevaluation.org/methods-approaches/approaches/rapid-evaluation.

[226] Birhane, A. et al. (2022), « The Values Encoded in Machine Learning Research », 2022 ACM Conference on Fairness, Accountability, and Transparency, https://doi.org/10.1145/3531146.3533083.

[283] Birks, D., M. Townsley et T. Hart (2023), Predictive policing in an Australian context: assessing viability and utility, Australian Institute of Criminology, https://doi.org/10.52922/ti78870.

[114] Blaizot, A. et al. (2022), « Using artificial intelligence methods for systematic review in health sciences: A systematic review », Research Synthesis Methods, vol. 13/3, pp. 353-362, https://doi.org/10.1002/jrsm.1553.

[43] Blanc, F. (2018), From Chasing Violations to Managing Risks: Origins, Challenges, and Evolutions in Regulatory Inspections, https://www.elgaronline.com/monobook/9781788112482/9781788112482.xml (consulté le 28 mai 2024).

[7] Blanchet, M. et M. Coueffe (2020), Améliorer l’estimation du PIB en temps réel grâce aux grands ensembles de données, Ministère de l’Économie et des Finances, Direction générale du Trésor, https://www.tresor.economie.gouv.fr/Articles/2020/01/28/tresor-eco-n-254-ameliorer-l-estimation-du-pib-en-temps-reel-grace-aux-grands-ensembles-de-donnees.

[225] Bloomberg Philanthropies (2023), State of Cities: Generative AI in Local Governments, https://cityaiconnect.jhu.edu/pdfs/Final-Gen-AI-In-Cities-Report_10.18.2023.pdf.

[118] Bohni Nielsen, S., F. Mazzeo Rinaldi et G. Petersson (2024), Artificial Intelligence and Evaluation, Routledge, New York, https://doi.org/10.4324/9781003512493.

[17] Boström, H. et al. (2020), Explaining Multivariate Time Series Forecasts: An Application to Predicting the Swedish GDP, https://ceur-ws.org/Vol-2796/xi-ml-2020_bostrom.pdf.

[189] Bright, J. et al. (2025), « Generative AI is already widespread in the public sector: evidence from a survey of UK public sector professionals », Digital Government: Research and Practice, vol. 6/1, pp. 1-13, https://doi.org/10.1145/3700140.

[327] Bright, J. et al. (2019), « Data Science for Local Government », SSRN Electronic Journal, https://doi.org/10.2139/ssrn.3370217.

[213] Brioscú, A. et al. (2024), A new dawn for public employment services : Service delivery in the age of artificial intelligence, Éditions OCDE, Paris, https://doi.org/10.1787/5dc3eb8e-en.

[52] Broecke, S. (2023), Artificial intelligence and labour market matching, Éditions OCDE, Paris, https://doi.org/10.1787/2b440821-en.

[58] Brougham, D. et J. Haar (2017), « Smart Technology, Artificial Intelligence, Robotics, and Algorithms (STARA): Employees’ perceptions of our future workplace », Journal of Management & Organization, vol. 24/2, pp. 239-257, https://doi.org/10.1017/jmo.2016.55.

[90] Burger, M., A. Nitsche et J. Arlinghaus (2023), « Hybrid intelligence in procurement: Disillusionment with AI’s superiority? », Computers in Industry, vol. 150, https://doi.org/10.1016/j.compind.2023.103946.

[312] Byrom, N., M. Piccinin-Barbieri et P. Wells (2024), Towards effective governance of justice data, Éditions OCDE, Paris, https://doi.org/10.1787/d2950e02-en.

[168] Campagnucci, F. et al. (2025), Artificial Intelligence for Participation, https://scope.uni-muenster.de/wp-content/uploads/2025/01/ENG-Policy-Brief-AI_Jan2025.pdf.

[59] Cappelli, P. et N. Rogovsky (2023), « Artificial intelligence in human resource management », Document de travail de l’OIT, https://doi.org/10.54394/ohvv4382.

[187] Carrasco, M. et al. (2019), The Citizen’s Perspective on the Use of AI in Government, https://www.bcg.com/en-ca/publications/2019/citizen-perspective-use-artificial-intelligence-government-digital-benchmarking.

[39] Cary Coglianese (2024), « How to Regulate Artificial Intelligence », The Regulatory Review, https://www.theregreview.org/2024/01/15/coglianese-how-to-regulate-artificial-intelligence/ (consulté le 28 mai 2024).

[217] CCR (2021), Selected AI cases in the public sector (JRC129301), http://data.europa.eu/89h/7342ea15-fd4f-4184-9603-98bd87d8239a.

[66] CE (2020), Study on up-take of emerging technologies, Commission européenne, https://joinup.ec.europa.eu/sites/default/files/news/2020-06/D.01.06_Final_report_v3.00.pdf.

[97] CEA (2024), Rapport spécial 05/2024 : Registre de transparence de l’UE – Les informations sur les activités de lobbying sont utiles mais limitées, https://www.eca.europa.eu/fr/publications/sr-2024-05.

[290] CEPEJ (2018), European ethical charter on the use of artificial intelligence in judicial systems and their environment, https://rm.coe.int/ethical-charter-en-for-publication-4-december-2018/16808f699c.

[272] CEPMMT (2025), ECMWF’s AI forecasts become operational, https://www.ecmwf.int/en/about/media-centre/news/2025/ecmwfs-ai-forecasts-become-operational (consulté le 4 mars 2025).

[206] Chen, T., M. Gascó-Hernandez et M. Esteve (2023), « The Adoption and Implementation of Artificial Intelligence Chatbots in Public Organizations: Evidence from U.S. State Governments », The American Review of Public Administration, vol. 54/3, pp. 255-270, https://doi.org/10.1177/02750740231200522.

[80] ChileCompra (2024), Datos Abiertos de las compras públicas de Chile, https://datos-abiertos.chilecompra.cl/.

[123] Cintron, D. et B. Montrosse-Moorhead (2021), « Integrating Big Data Into Evaluation: R Code for Topic Identification and Modeling », American Journal of Evaluation, vol. 43/3, pp. 412-436, https://doi.org/10.1177/10982140211031640.

[296] CMS (2023), CMS Expert Guide to Digital Litigation in Slovenia, https://cms.law/en/int/expert-guides/cms-expert-guide-to-digital-litigation/slovenia (consulté le  June 2024).

[294] CNJ (2025), Labor Court launches artificial intelligence to assist professionals at the institution, https://www.cnj.jus.br/justica-do-trabalho-lanca-inteligencia-artificial-para-auxiliar-profissionais-da-instituicao/.

[204] Cockx, B., M. Lechner et J. Bollens (2023), « Priorité aux immigrés sans emploi ? Évaluation causale de l’apprentissage automatique dans le domaine de la formation en Belgique », Labour Economics, vol. 80, p. 102306, https://doi.org/10.1016/j.labeco.2022.102306.

[69] Collins, B. (2020), Transformational Results - Purchasing and Strategic Sourcing, https://www2.elpasotexas.gov/municipal-clerk/agenda/04-27-20/1.1.2.pdf.

[316] Colombie (2024), Information System of the Presidential Rapporteurship, https://actosadministrativos.ramajudicial.gov.co/web/Acto%20Administrativo/Default.aspx?ID=19280.

[318] Conseil de l’Europe (2024), La Convention-cadre du Conseil de l’Europe sur l’intelligence artificielle et les droits de l’homme, la démocratie et l’État de droit, https://www.coe.int/en/web/artificial-intelligence/the-framework-convention-on-artificial-intelligence.

[171] Cortés-Cediel, M. (2023), « Trends and challenges of e-government chatbots: Advances in exploring open government data and citizen participation content. », Government Information Quarterly, vol. 40/4, p. 101877, https://doi.org/10.1016/j.giq.2023.101877.

[292] Cour de cassation (2024), La Cour de cassation à l’épreuve du numérique et de l’intelligence artificielle, https://www.vie-publique.fr/parole-dexpert/278415-la-cour-de-cassation-face-au-numerique-et-lintelligence-artificielle.

[98] Cour des comptes du Royaume-Uni (2023), Report on Accounts - Department for Work & Pensions, https://www.nao.org.uk/wp-content/uploads/2023/07/dwp-report-on-accounts-2022-23.pdf.

[293] Cour suprême du Brésil (2024), Information request to Victor Durigan, advisor to the Supreme Court.

[18] Crisanto, J. et al. (2024), Regulating AI in the financial sector: recent developments and main challenges, https://www.bis.org/fsi/publ/insights63.pdf.

[279] CSOs (2021), An EU Artificial Intelligence Act for Fundamental Rights: A Civil Society Statement, https://www.accessnow.org/wp-content/uploads/2021/11/joint-statement-EU-AIA.pdf.

[86] da Rosa, I. (2023), Repository of existing projects on transparency in public procurement, Office des publications de l’Union européenne, https://ted.europa.eu/documents/d/ted/final_analysis-report-on-the-inventory-of-contract-registers_-isabel-da-rosa.

[102] de Blasio, G., A. D’Ignazio et M. Letta (2022), « Gotham city. Predicting ‘corrupted’ municipalities with machine learning », Technological Forecasting and Social Change, vol. 184, p. 122016, https://doi.org/10.1016/j.techfore.2022.122016.

[307] De Miguel Beriain, I. (2018), « Does the use of risk assessments in sentences respect the right to due process? A critical analysis of the Wisconsin v. Loomis ruling », Law, Probability and Risk, vol. 17/1, pp. 45- 53, https://doi.org/10.1093/lpr/mgy001.

[126] Dell’Acqua, F. et al. (2023), « Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality », SSRN Electronic Journal, https://doi.org/10.2139/ssrn.4573321.

[233] Dieterle, E., C. Dede et M. Walker (2024), « The cyclical ethical effects of using artificial intelligence in education », AI & SOCIETY, vol. 39/2, pp. 633-643, https://doi.org/10.1007/s00146-022-01497-w.

[13] Direction générale des Finances publiques (DGFiP) (2024), Digital Transformation of the Public Finances General Directorate (DGFiP).

[12] Direction générale des Finances publiques (DGFiP) (2024), The predictive model.

[48] DRCF (2023), Launch of the International Network for Digital Regulation Cooperation (INDRC), https://www.drcf.org.uk/news-and-events/news/launch-of-international-network-for-digital-regulation-cooperation-indrc.

[280] EDPB-CEPD (2021), Avis conjoint 05/2021 de l’EDPB et du CEPD sur la proposition de règlement du Parlement européen et du Conseil établissant des règles harmonisées concernant l’intelligence artificielle (législation sur l’intelligence artificielle), https://www.edpb.europa.eu/our-work-tools/our-documents/edpbedps-joint-opinion/edpb-edps-joint-opinion-52021-proposal_fr.

[127] Eisele, A. et al. (2024), « Exploring the potential of Claude 2 for risk of bias assessment: Using a large language », p. 10.1101/2024.07.16.24310483.

[172] Eisen, N. et al. (2023), AI can strengthen U.S. democracy—and weaken it, https://www.brookings.edu/articles/ai-can-strengthen-u-s-democracy-and-weaken-it/.

[271] El Morr, C. et al. (2024), « AI-based epidemic and pandemic early warning systems: A systematic scoping review », Health Informatics Journal, vol. 30/3, https://doi.org/10.1177/14604582241275844.

[306] Equivant (2025), Solutions: Risk Needs Assessments, https://equivant-supervision.com/solutions/risk-needs-assessments/#COMPAS-R-P.

[174] ERIC (2024), Electronic Registration Information Center (ERIC): Technology and, Electronic Registration Information Center, https://ericstates.org/wp-content/uploads/documents/ERIC-Tech-Security-Brief.pdf.

[284] EUCPN (2022), Artificial intelligence and predictive policing: risks and challenges, https://eucpn.org/document/recommendation-paper-artificial-intelligence-and-predictive-policing-risks-and-challenges.

[285] Evans, N. (2022), « Policing the pandemic in Australia and New Zealand: lessons for trust and legitimacy », Journal of Criminological Research, Policy and Practice, vol. 9/2, pp. 106-122, https://doi.org/10.1108/jcrpp-10-2022-0050.

[37] Faculty (2021), Automated approaches to measuring online experiences, https://www.ofcom.org.uk/__data/assets/pdf_file/0015/220425/automated-tooling-report.pdf.

[133] Ferretti, S. (2023), « Hacking by the prompt: Innovative ways to utilize ChatGPT for evaluators », New Directions for Evaluation, vol. 2023/178-179, pp. 73-84, https://doi.org/10.1002/ev.20557.

[167] Fillet, S. (2024), Cambridge City Council analyzes input 50% faster with Go Vocal’s AI assistant, https://www.govocal.com/case-studies/cambridge-city-council-analyzes-input-50-faster-with-go-vocals-ai-assistant.

[163] Fishkin, J. et A. al (2021), Final Report - LXS 400 - Chile Delibera, https://drive.google.com/file/d/1Vt5XaTk2MW9M_VBN2oztK2nxYZdckl89/view.

[122] Franzen, S. et al. (2022), Advanced Content Analysis: Can Artificial Intelligence Accelerate Theory-Driven Complex Program Evaluation?, Groupe de la Banque mondiale, https://documents1.worldbank.org/curated/en/400031645128516191/pdf/Advanced-Content-Analysis-Can-Artificial-Intelligence-Accelerate-Theory-Driven-Complex-Program-Evaluation.pdf.

[62] Friton, P. et al. (2024), Public Procurement of AI: Current and Future Challenges, https://www.lexology.com/library/detail.aspx?g=2c131357-03ed-4965-aa19-e28a65dd9ad6 (consulté le 30 May 2024).

[71] Garcia Rodriguez, M. et al. (2022), « Collusion detection in public procurement auctions with machine learning algorithms », Automation in Construction, vol. 133, p. Article 104047, https://doi.org/10.1016/j.autcon.2021.104047.

[64] Gastaldi, L. et al. (2024), AI in Public Settings: État d’avancement et prochaines étapes, https://www.dt.mef.gov.it/export/sites/sitodt/modules/documenti_it/analisi_progammazione/note_tematiche/Nota-Tematica-n-1-February-2024.pdf.

[120] Gatto, L. et P. Bundi (2025), The Use of Quantitative Text Analysis in Evaluations, Routledge, https://doi.org/10.4324/209781003512493.8.

[203] Gesk, T. et M. Leyer (2022), « Artificial intelligence in public services: When and why citizens accept its usage », Government Information Quarterly, vol. 39/3, p. 101704, https://doi.org/10.1016/j.giq.2022.101704.

[266] GFDRR (2018), Machine Learning for Disaster Risk Management, http://creativecommons.org/licenses/by/3.0/igo/www.worldbank.org.

[247] Giest, S. et S. Grimmelikhuijsen (dir. pub.) (2020), « Artificial intelligence, bureaucratic form, and discretion in public service », Information Polity, vol. 25/4, pp. 491-506, https://doi.org/10.3233/ip-200223.

[65] Glas, A. et F. Kleeman (2016), « The Impact of Industry 4.0 on Procurement and Supply Management: A Conceptual and Qualitative Analysis », International Journal of Business and Management Invention, vol. 5/6, pp. 55-66, https://doi.org/10.1590/0103-6513.20180104.

[82] GLOBO (2018), Como as robôs Alice, Sofia e Monica ajudam o TCU a caçar irregularidades em licitações, https://g1.globo.com/economia/tecnologia/noticia/como-as-robos-alice-sofia-e-monica-ajudam-o-tcu-a-cacar-irregularidades-em-licitacoes.ghtml.

[57] Gmyrek, P., J. Berg et D. Bescond (2023), Generative AI and Jobs: A global analysis of potential effects on job quantity and quality, OIT, https://doi.org/10.54394/FHEM8239.

[10] Gouvernement australien (2020), Department of Veterans’ Affairs Annual Report 2019-20, https://www.transparency.gov.au/publications/veterans-s-affairs/department-of-veterans-affairs/department-of-veterans-affairs-annual-report-2019-20.

[304] Gouvernement de l’Espagne (2007), VioGén, https://www.interior.gob.es/opencms/es/servicios-al-ciudadano/violencia-contra-la-mujer/sistema-viogen/.

[180] Gouvernement de l’Islande (2023), Head Start for Icelandic, https://www.government.is/diplomatic-missions/embassy-article/2023/03/14/Head-start-for-Icelandic/ (consulté le 23 May 2024).

[81] Gouvernement du Mexique (2024), Programa Anual de Adquisiciones, Arrendamientos, Servicios y Obra Pública., https://upcp-compranet.hacienda.gob.mx/paaasopdashboard.

[16] Gouvernement du Mexique (2023), Plataforma inteligente de apoyos del Gobierno Federal, https://www.transparenciapresupuestaria.gob.mx/es/apoyosdelgobierno (consulté le  20 April 2024).

[299] Gouvernement du Pérou (2023), Sistema con inteligencia artificial permitirá a jueces resolver solo casos de violencia severo o muy severo, https://www.gob.pe/institucion/pj/noticias/774687-sistema-con-inteligencia-artificial-permitira-a-jueces-resolver-solo-casos-de-violencia-severo-o-muy-severo.

[303] Gouvernement du Portugal (2024), Guia Prático da Justiça, https://justica.gov.pt/Servicos/Guia-pratico-da-Justica.

[85] GOV.UK (2019), Guidance - Understanding artificial intelligence ethics and safety, https://www.gov.uk/guidance/understanding-artificial-intelligence-ethics-and-safety.

[236] Green, B. (2022), « The flaws of policies requiring human oversight of government algorithms », Computer Law & Security Review, vol. 45, p. 105681, https://doi.org/10.1016/j.clsr.2022.105681.

[308] Grgić-Hlača, N. et al. (2018), « Beyond Distributive Fairness in Algorithmic Decision Making: Feature Selection for Procedurally Fair Learning », Proceedings of the AAAI Conference on Artificial Intelligence, vol. 32/1, https://doi.org/10.1609/aaai.v32i1.11296.

[67] Guida, M. et al. (2023), « The role of artificial intelligence in the procurement process: State of the art and research agenda », Journal of Purchasing and Supply Management, vol. 29/2, p. Article 100823, https://doi.org/10.1016/j.pursup.2023.100823.

[27] Guio, A. et K. Müller-Daubermann (2024), Insights and Recommendations for Policy Makers in Latin America and the Caribbean, Global Network of Internet and Society Research Centers, https://networkofcenters.net/sites/networkofcenters.net/files/Summary%20Report%20AI%20Governance%20Costa%20Rica%20NoC.pdf.

[176] Hadfi, R. et al. (2021), « Argumentative Conversational Agents for Online Discussions », Journal of Systems Science and Systems Engineering, https://doi.org/10.1007/s11518-021-5497-1.

[139] Halpern, D. et D. Maru (2024), Global Evidence Report: A blueprint for better international collaoration on evidence, https://www.bi.team/wp-content/uploads/2024/08/ESRC-Global-Evidence-Report-September-2024.pdf.

[87] Handfield, R., S. Jeong et T. Choi (2019), « Emerging procurement technology: data analytics and cognitive analytics », International Journal of Physical Distribution & Logistics Management, vol. 49/10, https://doi.org/10.1108/IJPDLM-11-2017-0348.

[92] Heikkila, M. (2022), AI: Decoded: A Dutch algorithm scandal serves a warning to Europe — The AI Act won’t save us, https://www.politico.eu/newsletter/ai-decoded/a-dutch-algorithm-scandal-serves-a-warning-to-europe-the-ai-act-wont-save-us-2/.

[63] Hickok, M. (2022), Public procurement of artificial intelligence systems: new risks and future proofing., https://doi.org/10.1007/s00146-022-01572-2.

[129] Horowitz, M. (2023), Bending the Automation Bias Curve: A Study of Human and AI-based Decision Making in National Security Contexts, https://arxiv.org/abs/2306.16507.

[259] Hung, T. et C. Yen (2020), « On the person-based predictive policing of AI », Ethics and Information Technology, vol. 23/3, pp. 165-176, https://doi.org/10.1007/s10676-020-09539-x.

[256] Hutchins, B. et M. Andrejevic (2021), Olympian Surveillance: Sports Stadiums and the Normalization of Biometric Monitoring, https://ijoc.org/index.php/ijoc/article/view/16377.

[88] IBM (2023), Government Procurement and Acquisition: Opportunities and challenges presented by artificial intelligence and machine learning, IBM Center for The Business of Government, https://www.businessofgovernment.org/sites/default/files/Government%20Procurement%20and%20Acquisition_0.pdf.

[125] Jacob, S. (2025), « Artificial Intelligence and the Future of Evaluation: From Augmented to Automated Evaluation », Administration numérique Research and Practice, vol. 6/1, pp. 1-10, https://doi.org/10.1145/3696009.

[202] Jarrahi, M. et al. (2023), « Artificial intelligence and knowledge management: A partnership between human and AI », Business Horizons, vol. 66/1, pp. 87-99, https://doi.org/10.1016/j.bushor.2022.03.002.

[220] Jevinger, Å. et al. (2023), « Artificial intelligence for improving public transport: a mapping study », Public Transport, vol. 16/1, pp. 99-158, https://doi.org/10.1007/s12469-023-00334-7.

[50] Johnson, B., J. Coggburn et J. Llorens (2022), « Artificial Intelligence and Public Human Resource Management: Questions for Research and Practice », Public Personnel Management, vol. 51/4, pp. 538-562, https://doi.org/10.1177/00910260221126498.

[173] Juneja, P. (2024), Artificial Intelligence for Electoral Management, Institut international pour la démocratie et l’assistance électorale, https://doi.org/10.31752/idea.2024.31.

[5] Jung, J., M. Patnam et A. Ter-Martirosyan (2018), An Algorithmic Crystal Ball: Forecasts-based on Machine Learning, Fonds monétaire international, https://www.imf.org/en/Publications/WP/Issues/2018/11/01/An-Algorithmic-Crystal-Ball-Forecasts-based-on-Machine-Learning-46288.

[72] Katona, E. et M. Fazekas (2024), Hidden barriers to open competition: Using text mining to uncover corrupt restrictions to competition in public procurement, https://www.govtransparency.eu/wp-content/uploads/2024/05/Katona-Fazekas_HU_text-miningPP-corruption240417_GTIpublish240430final.pdf.

[249] Kelly, S., S. Kaye et O. Oviedo-Trespalacios (2023), « What factors contribute to the acceptance of artificial intelligence? A systematic review », Telematics and Informatics, vol. 77, p. 101925, https://doi.org/10.1016/j.tele.2022.101925.

[214] Khalifa, M. et M. Albadawy (2024), « Artificial Intelligence for Clinical Prediction: Exploring Key Domains and Essential Functions », Computer Methods and Programs in Biomedicine Update, vol. 5, p. 100148, https://doi.org/10.1016/j.cmpbup.2024.100148.

[112] Khalil, H., D. Ameen et A. Zarnegar (2022), Tools to support the automation of systematic reviews: a scoping review, J Clin Epidemiology, https://doi.org/10.1016/j.jclinepi.2021.12.005.

[281] Khan, I. et al. (2022), Mandates of the Special Rapporteur (Ref.: OL IRL 3/2022), https://spcommreports.ohchr.org/TMResultsBase/DownLoadPublicCommunicationFile?gId=27594.

[177] Kim, S. et al. (2021), « Moderator Chatbot for Deliberative Discussion », Proceedings of the ACM on Human-Computer Interaction, vol. 5/CSCW1, pp. 1-26, https://doi.org/10.1145/3449161.

[20] Klein, A. (2020), Reducing bias in AI-based financial services, https://www.brookings.edu/articles/reducing-bias-in-ai-based-financial-services.

[326] Kleinberg, J. et al. (2017), « Human Decisions and Machine Predictions* », The Quarterly Journal of Economics, https://doi.org/10.1093/qje/qjx032.

[103] Köbis, N., C. Starke et I. Rahwan (2022), « The promise and perils of using artificial intelligence to fight corruption », Nature Machine Intelligence, vol. 4/5, pp. 418-424, https://doi.org/10.1038/s42256-022-00489-1.

[95] Köbis, N., C. Starke et I. Rahwan (2021), Artificial Intelligence as an Anti-Corruption Tool (AI-ACT) -- Potentials and Pitfalls for Top-down and Bottom-up Approaches, https://arxiv.org/abs/2102.11567.

[210] Kopponen, A. et al. (2024), « Personalised public services powered by AI: the citizen digital twin approach », dans Research Handbook on Public Management and Artificial Intelligence, Edward Elgar Publishing, https://doi.org/10.4337/9781802207347.00020.

[9] Korea Fiscal Information Service (KFIS) (2023), Digital Transformation in Public Finance: Korean FMIS (dBrain+).

[240] Labanava, A. et al. (2022), « Capacity Building in Government: Towards Developing a Standard for a Functional Specialist in AI for Public Services », dans Communications in Computer and Information Science, Future Data and Security Engineering. Big Data, Security and Privacy, Smart City and Industry 4.0 Applications, Springer Nature Singapore, Singapore, https://doi.org/10.1007/978-981-19-8069-5_34.

[116] Lai, H. et al. (2024), « Assessing the Risk of Bias in Randomized Clinical Trials With Large Language Models », JAMA Network Open, vol. 7/5, p. e2412687, https://doi.org/10.1001/jamanetworkopen.2024.12687.

[156] Landemore, H. (2022), « Can AI bring deliberative democracy to the masses? », https://www.law.nyu.edu/sites/default/files/Helen%20Landemore%20Can%20AI%20bring%20deliberative%20democracy%20to%20the%20masses.pdf.

[282] Lecorps, Y. et G. Tissandier (2022), « PAVED With Good Intentions? An Evaluation of a French Police Predictive Policing System », SSRN Electronic Journal, https://doi.org/10.2139/ssrn.4314831.

[121] Leeuw, F. (2003), « Reconstructing Program Theories: Methods Available and Problems to be Solved », The American Journal of Evaluation, vol. 24/1, pp. 5-20, https://doi.org/10.1016/s1098-2140(02)00271-0.

[196] Leyer, M. et S. Schneider (2021), « Decision augmentation and automation with artificial intelligence: Threat or opportunity for managers? », Business Horizons, vol. 64/5, pp. 711-724, https://doi.org/10.1016/j.bushor.2021.02.026.

[325] Linders, D., C. Liao et C. Wang (2018), « Proactive e-Governance: Flipping the service delivery model from pull to push in Taiwan », Government Information Quarterly, vol. 35/4, pp. S68-S76, https://doi.org/10.1016/j.giq.2015.08.004.

[73] López-Iturriaga, F. et I. Sanz (2017), « Predicting Public Corruption with Neural Networks: An Analysis of Spanish Provinces », Social Indicators Research, vol. 140/3, pp. 975-998, https://doi.org/10.1007/s11205-017-1802-2.

[190] Lorenz, P., K. Perset et J. Berryhill (2023), Initial policy considerations for generative artificial intelligence, Éditions OCDE, Paris, https://doi.org/10.1787/fae2d1e6-en.

[219] Macnish, K., D. Wright et T. Jiya (2021), « Correction to: Predictive Policing in 2025: A Scenario », dans Advanced Sciences and Technologies for Security Applications, Policing in the Era of AI and Smart Societies, Springer International Publishing, Cham, https://doi.org/10.1007/978-3-030-50613-1_13.

[194] Madan, R. et M. Ashok (2023), « AI adoption and diffusion in public administration: A systematic literature review and future research agenda », Government Information Quarterly, vol. 40/1, p. 101774, https://doi.org/10.1016/j.giq.2022.101774.

[128] Marcucci, S. et S. Verhulst (2025), Reimagining the Policy Cycle in the Age of Artificial Intelligence, Elsevier BV, https://doi.org/10.2139/ssrn.5137557.

[185] Margetts, H. (2011), « The Internet and Transparency », The Political Quarterly, vol. 82/4, pp. 518-521, https://doi.org/10.1111/j.1467-923x.2011.02253.x.

[324] Margetts, H. et C. Dorobantu (2019), « Rethink government with AI », Nature, vol. 568/7751, pp. 163-165, https://doi.org/10.1038/d41586-019-01099-5.

[33] Martin, P. (2023), Policy modelling with Rules as Code (RaC), https://salsa.digital/insights/policy-modelling-with-rules-as-code-rac.

[260] McKendrick, K. (2019), Artificial Intelligence Prediction and Counterterrorism, https://www.chathamhouse.org/sites/default/files/2019-08-07-AICounterterrorism.pdf.

[237] Medaglia, R., J. Gil-Garcia et T. Pardo (2021), « Artificial Intelligence in Government: Taking Stock and Moving Forward », Social Science Computer Review, vol. 41/1, pp. 123-140, https://doi.org/10.1177/08944393211034087.

[238] Medaglia, R., P. Mikalef et L. Tangi (2025), Competences and governance practices for artificial intelligence in the public sector, Commission européenne Centre commun de recherche, https://doi.org/10.2760/7895569.

[53] Milanez, A., A. Lemmens et C. Ruggiu (2025), Algorithmic management in the workplace : New evidence from an OECD employer survey, Éditions OCDE, Paris, https://doi.org/10.1787/287c13c4-en.

[124] Miller, S. (2020), « Causal Forest estimation of heterogeneous and time-varying environmental policy effects », Journal of Environmental Economics and Management, vol. 103, https://doi.org/10.1016/j.jeem.2020.102337.

[195] Miller, S. et L. Keiser (2020), « Representative Bureaucracy and Attitudes Toward Automated Decision Making », Journal of Public Administration Research and Theory, vol. 31/1, pp. 150-165, https://doi.org/10.1093/jopart/muaa019.

[313] Ministère de la Justice (Espagne) (2024), Política de uso de la IA en la Administración de Justicia, https://www.administraciondejusticia.gob.es/w/aprobada-la-politica-de-uso-de-la-ia-en-la-administracion-de-justicia.

[300] Ministère de la Justice (Espagne) (2022), Digital transformation within the adminisitration of justice, https://www.mjusticia.gob.es/es/JusticiaEspana/ProyectosTransformacionJusticia/Documents/202209%20Digital%20Transformation%20[ENG].pdf (consulté le 19 février 2025).

[295] Ministère de la Justice (Slovénie) (2024), Information request to Maja Velic, advisor of the Ministry of Justice of Slovenia.

[138] Ministère de l’Intérieur et des Relations au sein du Royaume (Pays-Bas) (2019), NL Digital Data Agenda Government, https://www.nldigitalgovernment.nl/wp-content/uploads/sites/11/2019/04/data-agenda-government.pdf.

[301] Ministère fédéral de la Justice (Autriche) (2021), Anonymization of court decisions in Austria: Webinar on the use ofAI in the justice field, https://commission.europa.eu/system/files/2021-04/anonymisation_webinar_29032021_austria.pdf (consulté le 19 février 2025).

[115] Minozzi, S. et al. (2020), The revised Cochrane risk of bias tool for randomized trials (RoB 2) showed low interrater reliability and challenges in its application, Journal of Clinical Epidemiology, https://doi.org/10.1016/j.jclinepi.2020.06.015.

[148] MITRE (2023), Searching for Solutions: MITRE Tool Simplifies Freedom of Information Act Requests, https://www.mitre.org/news-insights/impact-story/mitre-tool-simplifies-freedom-information-act-requests.

[4] Mohun, J. et A. Roberts (2020), Déchiffrer le code : L’élaboration de règles exécutables par les humains et par les machines, Éditions OCDE, Paris, https://doi.org/10.1787/027bac0e-fr.

[104] Mpofu, F. (2023), « The application of Artificial Intelligence in external auditing and its implications on audit quality? A review of the ongoing debates », International Journal of Research in Business and Social Science (2147- 4478), vol. 12/9, pp. 496-512, https://doi.org/10.20525/ijrbs.v12i9.2737.

[119] Næss, T. et al. (2025), Text Mining and Machine Learning in a Performance Audit of Police Handling of Cybercrime in Norway, Routledge, https://doi.org/10.4324/209781003512493.6.

[150] National Documentation Center (EKT) (2025), , https://www.didaktorika.gr/eadd/.

[70] NCDIT (2024), New Chatbot Helps Answer IT Procurement Questions, https://it.nc.gov/blog/2024/04/04/new-chatbot-helps-answer-it-procurement-questions (consulté le 19 février 2024).

[268] Nelson, D., Y. He et G. Moore (2024), « Trends and applications in wildfire burned area mapping: Remote sensing data, cloud geoprocessing platforms, and emerging algorithms », Geomatica, vol. 76/1, p. 100008, https://doi.org/10.1016/j.geomat.2024.100008.

[32] Nesta (2024), Innovation Policy Simulation for the Smart Economy, https://www.nesta.org.uk/feature/smarter-policy-through-simulation/innovation-policy-simulation-for-the-smart-economy/.

[229] Nikiforova, A. et al. (2023), PPPS’2023-Proactive and Personalised Public Services: Searching for Meaningful Human Control in Algorithmic Government, https://ceur-ws.org/Vol-3449/paper27.pdf.

[211] OCDE (2025), « AI and the future of social protection in OECD countries », OECD Artificial Intelligence Papers, n° 42, Éditions OCDE, Paris, https://doi.org/10.1787/7b245f7e-en.

[107] OCDE (2025), Boîte à outils pour la mise en œuvre de la Recommandation de l’OCDE sur l’évaluation des politiques publiques, Examens de l’OCDE sur la gouvernance publique, Éditions OCDE, Paris, https://doi.org/10.1787/233f546c-fr.

[192] OCDE (2025), How Innovation Ecosystems Foster Citizen Participation Using Emerging Technologies in Portugal, Spain and the Netherlands, Examens de l’OCDE sur la gouvernance publique, Éditions OCDE, Paris, https://doi.org/10.1787/2cb37a30-en.

[31] OCDE (2025), Perspectives de l’OCDE sur la politique de la réglementation 2025, Éditions OCDE, Paris, https://doi.org/10.1787/2f1a3d38-fr.

[265] OCDE (2025), Prevention of Stalking Crimes Powered by Smart CCTV Video Analysis Technology, https://oecd-opsi.org/innovations/prevention-of-stalking-crimes-powered-by-smart-cctv-video-analysis-technology/ (consulté le 12 mars 2025).

[183] OCDE (2025), « Tackling civic participation challenges with emerging technologies : Beyond the hype », Documents de travail du Département des affaires économiques de l’OCDE, n° 72, Éditions OCDE, Paris, https://doi.org/10.1787/ec2ca9a2-en.

[319] OCDE (2025), « Towards a common reporting framework for AI incidents », OECD Artificial Intelligence Papers, n° 34, Éditions OCDE, Paris, https://doi.org/10.1787/f326d4ac-en.

[188] OCDE (2024), « 2023 OECD Digital Government Index : Results and key findings », Documents de travail du Département des affaires économiques de l’OCDE, n° 44, Éditions OCDE, Paris, https://doi.org/10.1787/1a89ed5e-en.

[3] OCDE (2024), Administration fiscale 3.0 : La transformation numérique de l’administration de l’impôt, Éditions OCDE, Paris, https://doi.org/10.1787/6c010f8f-fr.

[243] OCDE (2024), AI in Health: Huge potential, huge risks, https://www.oecd.org/health/AI-in-health-huge-potential-huge-risks.pdf.

[29] OCDE (2024), « Assessing potential future artificial intelligence risks, benefits and policy imperatives », OECD Artificial Intelligence Papers, n° 27, Éditions OCDE, Paris, https://doi.org/10.1787/3f4e3dfb-en.

[144] OCDE (2024), « Cadre relatif à la gouvernance anticipative des technologies émergentes », n° 165, Éditions OCDE, Paris, https://doi.org/10.1787/a48858ef-fr.

[146] OCDE (2024), Enabling Digital Innovation in Government : The OECD GovTech Policy Framework, OECD Digital Government Studies, Éditions OCDE, Paris, https://doi.org/10.1787/a51eb9b2-en.

[46] OCDE (2024), Enquête de l’OCDE sur les déterminants de la confiance dans les institutions publiques – résultats 2024 : Instaurer la confiance dans un contexte complexe, Éditions OCDE, Paris, https://doi.org/10.1787/80ddd09b-fr.

[21] OCDE (2024), « Financial Management Information Systems in OECD countries », OECD Papers on Budgeting, n° 2024/02, Éditions OCDE, Paris, https://doi.org/10.1787/ce8367cd-en.

[252] OCDE (2024), « Fixing frictions: ‘sludge audits’ around the world : How governments are using behavioural science to reduce psychological burdens in public services », Documents de travail du Département des affaires économiques de l’OCDE, n° 48, Éditions OCDE, Paris, https://doi.org/10.1787/5e9bb35c-en.

[201] OCDE (2024), Global Trends in Government Innovation 2024 : Fostering Human-Centred Public Services, Examens de l’OCDE sur la gouvernance publique, Éditions OCDE, Paris, https://doi.org/10.1787/c1bc19c3-en.

[60] OCDE (2024), Governing with Artificial Intelligence : Are governments ready?, Éditions OCDE, Paris, https://doi.org/10.1787/26324bc2-en.

[142] OCDE (2024), Initiative de l’OCDE pour renforcer la démocratie, https://www.oecd.org/fr/about/programmes/reinforcing-democracy-initiative.html.

[24] OCDE (2024), Les faits sans le faux : Lutter contre la désinformation, renforcer l’intégrité de l’information, Éditions OCDE, Paris, https://doi.org/10.1787/4078bb32-fr.

[209] OCDE (2024), Modernising Access to Social Protection : Strategies, Technologies and Data Advances in OECD Countries, Éditions OCDE, Paris, https://doi.org/10.1787/af31746d-en.

[258] OCDE (2024), Perspectives de l’économie numérique de l’OCDE 2024 (Volume 1) : Cap sur la frontière technologique, Éditions OCDE, Paris, https://doi.org/10.1787/e34abd55-fr.

[93] OCDE (2024), Perspectives de l’OCDE sur la lutte contre la corruption et l’intégrité 2024, Éditions OCDE, Paris, https://doi.org/10.1787/2755ec0c-fr.

[61] OCDE (2024), Public procurement, https://www.oecd.org/fr/themes/marches-publics.html.

[91] OCDE (2024), Recommandation du Conseil sur l’intelligence artificielle, https://legalinstruments.oecd.org/fr/instruments/OECD-LEGAL-0449 (consulté le 2 June 2024).

[223] OCDE (2024), Shaping smart cities of all sizes, Éditions OCDE, https://oe.cd/cities-2024-roundtable.

[75] OCDE (2024), Strengthening Oversight of the Court of Auditors for Effective Public Procurement in Portugal : Digital Transformation and Data-driven Risk Assessments, Examens de l’OCDE sur la gouvernance publique, Éditions OCDE, Paris, https://doi.org/10.1787/35aeab1e-en.

[182] OCDE (2023), « AI language models : Technological, socio-economic and policy considerations », Documents de travail de l’OCDE sur l’économie numérique, n° 352, Éditions OCDE, Paris, https://doi.org/10.1787/13d38f92-en.

[230] OCDE (2023), « Emerging privacy-enhancing technologies : Current regulatory and policy approaches », Documents de travail de l’OCDE sur l’économie numérique, n° 351, Éditions OCDE, Paris, https://doi.org/10.1787/bf121be4-en.

[51] OCDE (2023), Emploi et gestion publics 2023 : Vers une fonction publique plus flexible, Éditions OCDE, Paris, https://doi.org/10.1787/d90a3d11-fr.

[2] OCDE (2023), Global Trends in Government Innovation 2023, Examens de l’OCDE sur la gouvernance publique, Éditions OCDE, Paris, https://doi.org/10.1787/0655b570-en.

[314] OCDE (2023), « Indice OURdata 2023 (données ouvertes, utiles et réutilisables) de l’OCDE Results and key findings », Documents de travail du Département des affaires économiques de l’OCDE, n° 43, Éditions OCDE, Paris, https://doi.org/10.1787/a37f51c3-en.

[151] OCDE (2023), Open Government for Stronger Democracies : A Global Assessment, Éditions OCDE, Paris, https://doi.org/10.1787/5478db5b-en.

[34] OCDE (2023), Panorama des administrations publiques 2023, Éditions OCDE, Paris, https://doi.org/10.1787/b4d0a9ed-fr.

[54] OCDE (2023), Perspectives de l’emploi de l’OCDE 2023 : Intelligence artificielle et marché du travail, Éditions OCDE, Paris, https://doi.org/10.1787/aae5dba0-fr.

[288] OCDE (2023), Recommandation du Conseil sur l’accès à la justice et les systèmes de justice centrés sur les personnes, https://legalinstruments.oecd.org/fr/instruments/OECD-LEGAL-0498.

[224] OCDE (2023), Smart City Data Governance : Challenges and the Way Forward, OECD Urban Studies, Éditions OCDE, Paris, https://doi.org/10.1787/e57ce301-en.

[23] OCDE (2022), « 2022 OECD Financial Management and Reporting Survey », https://data-explorer.oecd.org/?lc=fr (consulté le 22 avril 2024).

[1] OCDE (2022), Administration fiscale 2022 : Informations comparatives sur les pays de l’OCDE et autres économies avancées et émergentes, Éditions OCDE, Paris, https://doi.org/10.1787/6f55a020-fr.

[49] OCDE (2022), Emploi et gestion publics 2021 : L’avenir de la fonction publique, Éditions OCDE, Paris, https://doi.org/10.1787/e6645a1d-fr.

[255] OCDE (2022), Exploring Innovation in Law Enforcement: Opportunities and critical considerations, Éditions OCDE, https://oecd-opsi.org/blog/exploring-innovation-in-law-enforcement/.

[143] OCDE (2022), Instaurer la confiance pour renforcer la démocratie : Principales conclusions de l’enquête 2021 de l’OCDE sur les déterminants de la confiance dans les institutions publiques, Éditions OCDE, Paris, https://doi.org/10.1787/f6a31728-fr.

[184] OCDE (2022), OECD Guidelines for Citizen Participation Processes, Examens de l’OCDE sur la gouvernance publique, Éditions OCDE, Paris, https://doi.org/10.1787/f765caf6-en.

[245] OCDE (2022), Supporting Health Innovation with Fair Information Practice Principles, https://www.oecd.org/content/dam/oecd/en/topics/policy-sub-issues/digital-health-systems/oecd-israel-health-data-governance-workshop-report.pdf.

[152] OCDE (2022), The Protection and Promotion of Civic Space : Strengthening Alignment with International Standards and Guidance, Éditions OCDE, Paris, https://doi.org/10.1787/d234e975-en.

[96] OCDE (2021), Countering Public Grant Fraud in Spain : Machine Learning for Assessing Risks and Targeting Control Activities, Examens de l’OCDE sur la gouvernance publique, Éditions OCDE, Paris, https://doi.org/10.1787/0ea22484-en.

[25] OCDE (2021), Data-Driven, Information-Enabled Regulatory Delivery, Éditions OCDE, Paris, https://doi.org/10.1787/8f99ec8c-en.

[175] OCDE (2021), Evaluation Guidelines for Representative Deliberative Processes, Éditions OCDE, Paris, https://doi.org/10.1787/10ccbfcb-en.

[28] OCDE (2021), Politique de la réglementation : Perspectives de l’OCDE 2021, Éditions OCDE, Paris, https://doi.org/10.1787/494d5942-fr.

[328] OCDE (2021), Recommandation du Conseil en faveur d’une gouvernance réglementaire agile permettant de mettre l’innovation à profit, https://legalinstruments.oecd.org/fr/instruments/OECD-LEGAL-0464.

[47] OCDE (2021), Recommandation du Conseil sur l’amélioration de l’accès aux données et de leur partage, OCDE, https://legalinstruments.oecd.org/fr/instruments/OECD-LEGAL-0463.

[253] OCDE (2020), Artificial Intelligence & Responsible Business Conduct, https://mneguidelines.oecd.org/RBC-and-artificial-intelligence.pdf.

[108] OCDE (2020), Improving Governance with Policy Evaluation : Lessons From Country Experiences, Examens de l’OCDE sur la gouvernance publique, Éditions OCDE, Paris, https://doi.org/10.1787/89b1577d-en.

[161] OCDE (2020), Innovative Citizen Participation and New Democratic Institutions: Catching the Deliberative Wave, Éditions OCDE, Paris, https://doi.org/10.1787/339306da-en.

[254] OCDE (2020), Public Provider versus Big Brother, Éditions OCDE, Paris, https://trends.oecd-opsi.org/trend-reports/public-provider-versus-big-brother/.

[36] OCDE (2020), Shaping the Future of Regulators : The Impact of Emerging Technologies on Economic Regulators, The Governance of Regulators, Éditions OCDE, Paris, https://doi.org/10.1787/db481aa3-en.

[277] OCDE (2020), « Suivi et traçage du COVID-19: Protéger la vie privée et les données lors de l’utilisation d’applications et de la biométrie », Les réponses de l’OCDE face au coronavirus (COVID-19), Éditions OCDE, Paris, https://doi.org/10.1787/40a928d1-fr.

[42] OCDE (2019), Boîte à outils de l’OCDE sur le contrôle et la mise en œuvre de la réglementation, Éditions OCDE, Paris, https://doi.org/10.1787/705e3dc1-fr.

[244] OCDE (2017), Recommandation du Conseil sur la gouvernance des données de santé, https://legalinstruments.oecd.org/fr/instruments/OECD-LEGAL-0433.

[140] OCDE (2017), Recommandation du Conseil sur le Gouvernement Ouvert, https://legalinstruments.oecd.org/fr/instruments/OECD-LEGAL-0438.

[74] OCDE (2015), Recommandation du Conseil sur les marchés publics, https://legalinstruments.oecd.org/fr/instruments/OECD-LEGAL-0411 (consulté le 2 June 2024).

[41] OCDE (2014), Contrôle et mise en œuvre de la réglementation, Principes de bonne pratique de l’OCDE en matière de politique réglementaire, Éditions OCDE, Paris, https://doi.org/10.1787/9789264208926-fr.

[297] OCDE/CAF (2022), The Strategic and Responsible Use of Artificial Intelligence in the Public Sector of Latin America and the Caribbean, Examens de l’OCDE sur la gouvernance publique, Éditions OCDE, Paris, https://doi.org/10.1787/1f334543-en.

[40] OCDE/UE (2024), Reforming Regulatory Inspections in Italy at Regional and National Level 21IT12 (Final Report), https://reform-support.ec.europa.eu/document/download/e2ad74a6-9bf9-4eef-8ffc-a8f2aaee3ccd_cs?filename=05nov2024%20Final%20Report%2021IT12%20Reforming%20inspections%20in%20Italy.pdf.

[131] OCDE/UNESCO (2024), Boîte à outils du G7 sur l’utilisation de l’intelligence artificielle dans le secteur public, Éditions OCDE, Paris, https://doi.org/10.1787/421c1244-en.

[153] OCDE-OPSI (2019), Kol Zchut, https://oecd-opsi.org/innovations/kol-zchut/.

[117] Odell, C. (2024), Why we need to explore the use of AI in evidence synthesis: Reflections from the Global Evidence Summit 2024, https://researchforevidence.fhi360.org/need-explore-use-ai-evidence-synthesis-reflections-global-evidence-summit-2024.

[99] Odilla, F. (2023), « Bots against corruption: Exploring the benefits and limitations of AI-based anti-corruption technology », Crime, Law and Social Change, vol. 80/4, pp. 353-396, https://doi.org/10.1007/s10611-023-10091-0.

[323] Ojo, A., S. Mellouli et F. Ahmadi Zeleti (2019), « A Realist Perspective on AI-era Public Management* », Proceedings of the 20th Annual International Conference on Digital Government Research, https://doi.org/10.1145/3325112.3325261.

[158] Ovadya, A. (2023), « Bridging Systems: Open Problems for Countering Destructive Divisiveness across Ranking, Recommenders, and Governance », Arxiv, https://arxiv.org/abs/2301.09976.

[14] Palkeet (2024), RPA/AI in Financial Management.

[155] Parlement européen (2022), Rapport sur l’intelligence artificielle à l’ère du numérique, https://www.europarl.europa.eu/doceo/document/A-9-2022-0088_FR.html.

[141] Paunov, C. et S. Planes-Satorra (2023), « Engaging citizens in innovation policy: Why, when and how? », OECD Science, Technology and Industry Policy Papers, n° 149, Éditions OCDE, Paris, https://doi.org/10.1787/ba068fa6-en.

[221] Pawlowski, C. et H. Scholta (2023), « A taxonomy for proactive public services », Government Information Quarterly, vol. 40/1, p. 101780, https://doi.org/10.1016/j.giq.2022.101780.

[178] Peixoto, T., O. Canuto et L. Jordan (2024), AI and the Future of Government: Unexpected Effects and Critical Challenges, https://www.policycenter.ma/publications/ai-and-future-government-unexpected-effects-and-critical-challenges.

[232] Perry, A. et N. Lee (2019), AI is coming to schools, and if we’re not careful, so will its biases, https://www.brookings.edu/articles/ai-is-coming-to-schools-and-if-were-not-careful-so-will-its-biases/.

[286] Perry, W. et al. (2013), Predictive Policing: The Role of Crime Forecasting in Law Enforcement Operations, RAND Corporation, Santa Monica, CA, https://doi.org/10.7249/RR233.

[275] PetaBencana.id (2021), As Jakarta floods again, humanitarian chatbots on social media support community-led disaster response, https://info.petabencana.id/2021/02/22/as-jakarta-floods-again-humanitarian-chatbots-on-social-media-support-community-led-disaster-response/ (consulté le 4 mars 2025).

[109] Petersson, G. et al. (2017), Cyber Society, Big Data, and Evaluation, Routledge, https://www.routledge.com/Cyber-Society-Big-Data-and-Evaluation/Petersson-Breul/p/book/9781138483033?srsltid=AfmBOooqz5iNGr7Tpm5k4aiNFcJc0RAx_yZwMW42X6AiuvNZIs0Q3bi_.

[287] Petra, B. et al. (2024), Strategies to Counter Artificial Intelligence in Law Enforcement: Cross-Country Comparison of Citizens in Greece, Italy and Spain, https://arxiv.org/abs/2405.19970.

[212] Policy Lab Digital, Work & Society within the German Federal Ministry of Labour and Social Affairs (2024), Guidelines for the Use of AI in the Administrative Work of Employment and Social Protection Services, https://www.denkfabrik-bmas.de/fileadmin/Downloads/Publikationen/Guidelines_for_the_use_of_ai_in_the_administrative_work_of_employment_and_social_protection_services.pdf.

[45] Productivity Committee (2024), Making the Most of the AI Opportunity: Data Availability and Use, https://www.pc.gov.au/research/completed/making-the-most-of-the-ai-opportunity/ai-paper3-data.pdf.

[310] Queen Mary University of London; Centre for European Policy Studies (2021), Criminal Justice, Fundamental Rights and the Rule of Law in the Digital Age, https://cdn.ceps.eu/wp-content/uploads/2021/05/Criminal-Justice-Fundamental-Rights-and-the-Rule-of-law-in-the-Digital-Age.pdf.

[205] Ramires Hernández, P., D. Valle-Cruz et R. Mendoza Méndez (2022), « Review on the Application of Artificial Intelligence-Based Chatbots in Public Administration », dans Handbook of Research on Applied Artificial Intelligence and Robotics for Government Processes, Advances in Computational Intelligence and Robotics, IGI Global, https://doi.org/10.4018/978-1-6684-5624-8.ch007.

[248] Rane, N., S. Choudhary et J. Rane (2024), « Artificial intelligence for enhancing resilience », Journal of Applied Artificial Intelligence, vol. 5/2, pp. 1-33, https://doi.org/10.48185/jaai.v5i2.1053.

[228] Redden, J. et al. (2022), Automating Public Services: Learning from Cancelled Systems, Carnegie UK, https://carnegieuk.org/publication/automating-public-services-learning-from-cancelled-systems/.

[289] Redden, J. et M. O’Donovan Dix (2020), Artificial intelligence in the criminal justice system: Demystifying artificial intelligence, its applications, and potential risks, https://www.ojp.gov/ncjrs/virtual-library/abstracts/artificial-intelligence-criminal-justice-system-demystifying.

[291] Reiling, D. (2020), Courts and artificial intelligence, https://doi.org/10.36745/ijca.343.

[6] Richardson, A., T. van Florenstein Mulder et T. Vehbi (2019), Nowcasting GDP using machine learning algorithms: A real-time assessment, https://www.rbnz.govt.nz/-/media/c0bb0238351244c986e33550b36bd2d4.ashx.

[110] Rinaldi, F., G. Giuffrida et T. Negrete (2017), Real-Time Monitoring and Evaluation—Emerging News as Predictive Process Using Big Data-Based Approach, Routledge.

[22] Rivero del Paso, L. et al. (2023), Digital Solutions Guidelines for Public Financial Management, https://www.imf.org/en/Publications/TNM/Issues/2023/10/06/Digital-Solutions-Guidelines-for-Public-Financial-Management-537781.

[179] Romberg, J. et T. Escher (2024), « Making Sense of Citizens’ Input through Artificial Intelligence: A Review of Methods for Computational Text Analysis to Support the Evaluation of Contributions in Public Participatio », Administration numérique Research and Practice, pp. 1-30, https://doi.org/10.1145/3603254.

[315] Royaume-Uni (2023), Artificial Intelligence (AI) – Judicial Guidance, https://www.judiciary.uk/guidance-and-resources/artificial-intelligence-ai-judicial-guidance/.

[100] Salazar, A., J. Pérez et J. Gallego (2024), « VigIA: prioritizing public procurement oversight with machine learning models and risk indices », Data & Policy, vol. 6, https://doi.org/10.1017/dap.2024.83.

[76] Santiso, C. (2022), « Govtech against corruption: What are the integrity dividends of government digitalization? », Data & Policy, vol. 4, https://doi.org/10.1017/dap.2022.31.

[166] Schneider, B. et N. Sanders (2023), AI could shore up democracy - here’s one way, https://theconversation.com/ai-could-shore-up-democracy-heres-one-way-207278 (consulté le 23 mai 2024).

[270] Seto, J. (2018), Using AI and IoT for disaster management, https://azure.microsoft.com/en-us/blog/using-ai-and-iot-for-disaster-management/ (consulté le 3 mars 2025).

[235] Shark, A. (2025), What the Rising Costs of AI Means for Government, https://statetechmagazine.com/article/2025/01/what-rising-costs-ai-means-government.

[84] Shark, A. (2024), Artificial Intelligence: The Impact on Public Procurement - Opportunity & Risk, https://www.nigp.org/blog/ai-and-public-procurement.

[227] Soman, D. (2024), What Works, What Doesn’t (and When): Case Studies in Applied Behavioral Science, https://utppublishing.com/doi/book/10.3138/9781487548735.

[302] Sommer, J. (2021), La Cour de cassation à l’épreuve du numérique et de l’intelligence artificielle, https://www.vie-publique.fr/parole-dexpert/278415-la-cour-de-cassation-face-au-numerique-et-lintelligence-artificielle (consulté le 19 février 2025).

[186] Song, C. et J. Lee (2015), « Citizens’ Use of Social Media in Government, Perceived Transparency, and Trust in Government », Public Performance & Management Review, vol. 39/2, pp. 430-453, https://doi.org/10.1080/15309576.2015.1108798.

[137] Statistics Denmark (2025), Microdata schemes in Statistics Denmark, https://www.dst.dk/en/TilSalg/Forskningsservice/Dataadgang/Projektoprettelse.

[276] Stettinger, G., P. Weissensteiner et S. Khastgir (2024), « Trustworthiness Assurance Assessment for High-Risk AI-Based Systems », IEEE Access, vol. 12, pp. 22718-22745, https://doi.org/10.1109/access.2024.3364387.

[298] STF (2024), STF lança MARIA, ferramenta de inteligência artificial que dará mais agilidade aos serviços do Tribunal, https://noticias.stf.jus.br/postsnoticias/stf-lanca-maria-ferramenta-de-inteligencia-artificial-que-dara-mais-agilidade-aos-servicos-do-tribunal/.

[199] Straub, V. et al. (2024), AI for bureaucratic productivity: Measuring the potential of AI to help automate 143 million UK government transactions, https://www.turing.ac.uk/sites/default/files/2024-03/ai_for_bureaucratic_productivity.pdf.

[241] Sumner, J. et al. (2023), « Developing an Artificial Intelligence-Driven Nudge Intervention to Improve Medication Adherence: A Human-Centred Design Approach », Journal of Medical Systems, vol. 48/1, https://doi.org/10.1007/s10916-023-02024-0.

[38] Sunass (2024), Use of big data and AI in water regulation: Experience from Sunass, Peru, https://cdn.www.gob.pe/uploads/document/file/6872996/5943561-presentacion-en-la-red-de-reguladores-economicos-o-network-economic-regulators-ner.pdf.

[197] Sun, T. et R. Medaglia (2019), « Mapping the challenges of Artificial Intelligence in the public sector: Evidence from public healthcare », Government Information Quarterly, vol. 36/2, pp. 368-383, https://doi.org/10.1016/j.giq.2018.09.008.

[94] Taşdöken, Ö. (2024), « Use of Artificial Intelligence and Audit Analytics in Internal Audit Processes in the Public Sector », EDPACS, vol. 69/9, pp. 1-15, https://doi.org/10.1080/07366981.2024.2376790.

[218] TBI (2024), The Economic Case for Reimagining the State, Tony Blair Institute for Global Change, https://institute.global/insights/economic-prosperity/the-economic-case-for-reimagining-the-state.

[208] Tejwani, R. et al. (2020), Migratable AI: Effect of identity and information migration on users perception of conversational AI agents, https://ieeexplore.ieee.org/document/9223436.

[8] Tenorio, J. et W. Perez (2023), GDP nowcasting with Machine Learning and Unstructured Data to Peru, https://perueconomics.org/wp-content/uploads/2023/11/WP-197.pdf.

[132] The Alan Turing Institute (2023), AI Skills for Business Competency Framework, https://www.turing.ac.uk/skills/collaborate/ai-skills-business-framework.

[162] The Computational Democracy Project (2024), The Computational Democracy Project, https://compdemocracy.org/.

[234] Thiebes, S., S. Lins et A. Sunyaev (2020), « Trustworthy artificial intelligence », Electronic Markets, vol. 31/2, pp. 447-464, https://doi.org/10.1007/s12525-020-00441-4.

[113] Thomas, J. et al. (2024), Responsible AIin Evidence SynthEsis (RAISE): guidance and recommendations, https://osf.io/fwaud/.

[267] Tilon, S. et al. (2020), « Post-Disaster Building Damage Detection from Earth Observation Imagery Using Unsupervised and Transferable Anomaly Detecting Generative Adversarial Networks », Remote Sensing, vol. 12/24, p. 4193, https://doi.org/10.3390/rs12244193.

[239] Trajkovski, G. (2024), « Bridging the public administration‐AI divide: A skills perspective », Public Administration and Development, vol. 44/5, pp. 412-426, https://doi.org/10.1002/pad.2061.

[26] Tribune News Service (2023), State Legislature Adopts Resolution on AI ... Drafted by AI, https://insider.govtech.com/california/news/state-legislature-adopts-resolution-on-ai-drafted-by-ai.

[160] Tsai, L. et al. (2024), « Generative AI for Pro-Democracy Platforms », An MIT Exploration of Generative AI, https://doi.org/10.21428/e4baedd9.5aaf489a.

[106] U4 (2025), Unlocking AI’s potential in anti-corruption: Hype vs. reality, https://www.u4.no/blog/unlocking-ai-s-potential-in-anti-corruption-hype-vs-reality.

[56] UC Berkeley (2021), Positive AI Economic Futures, Forum économique mondial, https://www.weforum.org/reports/positive-ai-economic-futures.

[89] Ugale, G. et C. Hall (2024), Generative AI for anti-corruption and integrity in government : Taking stock of promise, perils and practice, Éditions OCDE, Paris, https://doi.org/10.1787/657a185a-en.

[145] UK Government Office for Science (2023), Future Risks of Frontier AI, https://assets.publishing.service.gov.uk/media/653bc393d10f3500139a6ac5/future-risks-of-frontier-ai-annex-a.pdf.

[317] UNESCO (2025), Artificial Intelligence and the Rule of Law, https://www.unesco.org/en/artificial-intelligence/rule-law.

[231] UNESCO (2019), Artificial Intelligence in Education: Challenges and Opportunities for Sustainable Development, https://repositorio.minedu.gob.pe/bitstream/handle/20.500.12799/6533/Artificial%20intelligence%20in%20education%20challenges%20and%20opportunities%20for%20sustainable%20development.pdf.

[181] University of Turku (2023), TurkuNLP, https://turkunlp.org/ (consulté le 23 May 2024).

[273] UNU Institute for Environment and Human Security (2024), 5 Ways AI Can Strengthen Early Warning Systems, https://unu.edu/ehs/series/5-ways-ai-can-strengthen-early-warning-systems (consulté le 4 mars 2025).

[263] US DHS (2024), DHS Launches First-of-its-Kind Initiative to Hire 50 Artificial Intelligence Experts in 2024, https://www.dhs.gov/archive/news/2024/02/06/dhs-launches-first-its-kind-initiative-hire-50-artificial-intelligence-experts-2024.

[262] US DHS (2024), United States Customs and Border Protection – AI Use Cases, https://www.dhs.gov/ai/use-case-inventory/cbp#deployed (consulté le 3 mars 2025).

[147] US FOIA (2023), FOIA Reference Model White Paper, FOIA.gov, https://www.foia.gov/chief-foia-officers-council/foia-reference-model-white-paper-april-19-2023.

[257] US GAO (2024), Facial Recognition Technology: Federal Law Enforcement Agency Efforts Related to Civil Rights and Training, United States Government Accountability Office, https://www.gao.gov/products/gao-24-107372.

[44] Valderrama, M., M. Hermosilla et R. Garrido (2023), State of the Evidence: Algorithmic Transparency, https://www.opengovpartnership.org/documents/state-of-the-evidence-algorithmic-transparency/.

[207] van Baal, S. (2024), « Testing behaviour change with an artificial intelligence chatbot in a randomized controlled study. », Journal Public Health, vol. 45, pp. 506-522, https://doi.org/10.1057/s41271-024-00500-6.

[170] van Noordt, C. et G. Misuraca (2019), « New Wine in Old Bottles: Chatbots in Government », dans Lecture Notes in Computer Science, Electronic Participation, Springer International Publishing, Cham, https://doi.org/10.1007/978-3-030-27397-2_5.

[15] van Noordt, C. et L. Tangi (2023), « The dynamics of AI capability and its influence on public value creation of AI within public administration », Government Information Quarterly, vol. 40/4, p. 101860, https://doi.org/10.1016/j.giq.2023.101860.

[246] Vogl, T. et al. (2019), « Algorithmic Bureaucracy », Proceedings of the 20th Annual International Conference on Digital Government Research, https://doi.org/10.1145/3325112.3325240.

[30] Walprecht, S. et C. Lewerenz (2024), Facilitating Regulatory Impact Assessments: The Benefits of Machine Learning in Legislation, https://www.destatis.de/EN/About-Us/Events/Machine-Learning/Slides/s2_walprecht.pdf.

[261] Wastupranata, L., S. Kong et L. Wang (2024), « Deep Learning for Abnormal Human Behavior Detection in Surveillance Videos—A Survey », Électronique, vol. 13/13, p. 2579, https://doi.org/10.3390/electronics13132579.

[154] Welker, Y. (2023), Generative AI holds great potential for those with disabilities - but it needs policy to shape it, https://www.weforum.org/agenda/2023/11/generative-ai-holds-potential-disabilities/ (consulté le 24 May 2024).

[157] Weyl, E., A. Tang et C. Plurality (2022), Augmented Deliberation, https://www.plurality.net/v/chapters/5-4/eng.

[11] Wisesa, A. (2023), « Inovasi artificial intelligence sebagai financial advisor kementerian keuangan », Swatantra, vol. XX, pp. 1-8, https://jurnal.umj.ac.id/index.php/SWATANTRA/article/viewFile/15611/8230.

[311] World Justice Project (2021), Grasping the Justice Gap: Opportunities and Challenges for People-Centered Justice Data, https://worldjusticeproject.org/news/grasping-justice-gap-opportunities-and-challenges-people-centered-justice-data.

[322] Xavier, O. et al. (2022), « Tax evasion identification using open data and artificial intelligence », Revista de Administração Pública, vol. 56/3, pp. 426-440, https://doi.org/10.1590/0034-761220210256x.

[274] Yao, M. (dir. pub.) (2025), « Tailoring generative AI chatbots for multiethnic communities in disaster preparedness communication: extending the CASA paradigm », Journal of Computer-Mediated Communication, vol. 30/1, https://doi.org/10.1093/jcmc/zmae022.

[321] Zhang, G., H. Atasoy et M. Vasarhelyi (2022), « Continuous monitoring with machine learning and interactive data visualization: An application to a healthcare payroll process », International Journal of Accounting Information Systems, vol. 46, p. 100570, https://doi.org/10.1016/j.accinf.2022.100570.

[320] Zilka, M., H. Sargeant et A. Weller (2022), « Transparency, Governance and Regulation of Algorithmic Tools Deployed in the Criminal Justice System: a UK Case Study », Proceedings of the 2022 AAAI/ACM Conference on AI, Ethics, and Society, https://doi.org/10.1145/3514094.3534200.

[105] Zinnbauer, D. (2025), Un-Plateauing Corruption Research? Perhaps less necessary, but more exciting than one might think, Elsevier BV, https://doi.org/10.2139/ssrn.5094531.

[264] Ziyadin, S. et al. (dir. pub.) (2020), « Experience of Artificial Intelligence Implementation in Japan », E3S Web of Conferences, vol. 159, p. 04035, https://doi.org/10.1051/e3sconf202015904035.

Notes

← 1.  https://www.ktpae.gr/erga/anavathmisi-kai-epektasi-upodomon-tpe-tomea-dikaiosinis.

← 2.  Informations fournies par des agents de l’administration grecque.

← 3.  Informations fournies à l’OCDE par des responsables du ministère de la Présidence, de la Justice et des Relations avec le Parlement.

← 4.  Les mesures de protection désignent les actions ou les mécanismes juridiques mis en place pour protéger les droits, la sécurité ou les intérêts des individus ou des groupes, souvent dans le contexte de parties vulnérables ou au cours de procédures judiciaires.

← 5.  Informations fournies à l’OCDE par des représentants du gouvernement israélien.

← 6.  https://ministryofjustice.gr/?page_id=7483.