Gouverner avec l’intelligence artificielle

L’IA dans la conception et la prestation de l’activité réglementaire

L’IA peut jouer un rôle précieux à l’appui de la conception et de la prestation de l’activité réglementaire. Elle peut permettre aux pouvoirs publics d’adapter leurs stratégies réglementaires de manière à mieux servir l’économie, la société et l’environnement tout en répondant efficacement aux défis et aux préoccupations tenant à la redevabilité, à la transparence et à la charge réglementaire. Pour que ce soit possible, les pouvoirs publics doivent se détourner de l’approche traditionnelle qui consiste, en matière d’action réglementaire, à « réglementer et oublier », et adopter une approche consistant à « s’adapter et apprendre »1 (OCDE, 2024[24]). Les technologies numériques, y compris l’IA, ont un rôle central à jouer dans cette transition, non seulement parce qu’elles élargissent la panoplie des outils de l’action réglementaire, mais aussi parce qu’elles peuvent rendre cette action plus innovante, efficace et efficience en plaçant les données au cœur de la conception des textes, de la prise de décision et de la mise en application (OCDE, 2021[25]).

État des lieux

Sur le terrain de la conception de l’activité réglementaire, l’IA ouvre aux responsables publics un certain nombre de pistes intéressantes. Les cadres réglementaires peuvent être complexes, et comporter des milliers de textes relevant de la compétence de tout un éventail de ministères et d’organismes. L’IA permet de s’intéresser au corpus existant de textes et d’analyser des ensembles de données vastes et complexes afin de repérer les lacunes, les doublons et les constantes au sein des cadres réglementaires. Cela peut permettre de prendre des décisions plus éclairées et plus ciblées, au service de meilleures réalisations. L’IA permet aussi d’automatiser des tâches répétitives, et de réaliser ainsi des gains d’efficience en rationalisant des processus tels que l’analyse des politiques, l’analyse d’impact de la réglementation (AIR) et la rédaction des textes juridiques. L’IA peut aussi renforcer l’association des parties prenantes en permettant aux citoyens de mieux comprendre les textes et en analysant les résultats des consultations publiques. Enfin, elle peut permettre des activités d’analyse anticipative et d’expérimentation susceptibles d’éclairer la gestion des risques, contribuant ainsi à la conception de cadres réglementaires mieux parés pour l’avenir.

Sur le terrain de la prestation de l’activité réglementaire, l’IA peut aider les organismes chargés de faire appliquer la réglementation à améliorer leurs performances. Ces organismes peuvent, par exemple, recourir à des algorithmes d’IA pour rationaliser l’utilisation de leurs ressources d’inspection, améliorer la sécurité et alléger la charge réglementaire pesant sur les entreprises. Ce recours à l’IA vise à optimiser les activités et les processus des régulateurs de façon à mieux servir l’intérêt général et à utiliser les ressources disponibles avec la plus grande efficience possible (OCDE, 2021[25]). On peut citer, parmi les solutions mises en œuvre en la matière :

• des analyses de données permettant d’optimiser les activités de mise en application fondées sur les risques grâce à des évaluations des risques plus précises et mieux paramétrées, au service d’un meilleur ciblage des inspections ;

• l’amélioration du suivi et de la détection des manquements, par exemple sur les médias sociaux, afin de renforcer l’efficience des contrôles exercés par les organismes de réglementation ;

• l’amélioration des diverses activités menées par les régulateurs économiques pour mieux analyser et superviser leur secteur et les marchés.

La rédaction de la réglementation et des documents connexes

Les systèmes d’IA qui ont recours au traitement du langage naturel, tels que les grands modèles de langage, ouvrent des perspectives intéressantes pour simplifier et améliorer les aspects de la gouvernance réglementaire touchant à l’écrit. Les pouvoirs publics peuvent recourir à de tels systèmes pour élaborer des projets de texte à partir de modèles et à partir de la réglementation existante, ce qui permet d’être certain de respecter les règles de rédaction tout en gagnant du temps et en mobilisant moins de ressources. Aux États-Unis, par exemple, l’assemblée législative de Californie a été la première du pays à recourir à l’IA pour rédiger une résolution, en 2023 (Tribune News Service, 2023[26]). Le Costa Rica lui a rapidement emboîté le pas en recourant à ChatGPT pour rédiger une législation visant à encadrer l’intelligence artificielle (Guio et Müller-Daubermann, 2024[27]). Il est aussi possible de faire appel à l’IA pour comparer les nouveaux projets de texte au corpus existant de textes, ce qui permet de repérer les conflits et de réduire les risques d’erreur humaine, et d’aboutir ainsi à des textes plus simples, plus cohérents et plus accessibles (Encadré 5.12).

Encadré 5.12. Le recours à l’IA pour la rédaction des textes de loi et la conception de l’action publique au Royaume-Uni

Au Royaume-Uni, un incubateur public pour l’intelligence artificielle (i.AI) a mis au point deux systèmes basés sur l’IA et baptisés Lex et Parlex pour améliorer la rédaction des textes législatifs ainsi que la formulation des politiques publiques.

Lex : ce système vise à améliorer le processus de rédaction des textes législatifs en fournissant des outils d’IA avancés pour s’orienter dans la législation britannique, l’analyser et faire des recherches en son sein. Il propose notamment des fonctionnalités de recherche sémantique qui permettent aux utilisateurs de retrouver facilement les extraits de textes législatifs pertinents dans le contexte qui les intéresse, ainsi qu’une fonctionnalité d’aide à la rédaction qui génère des notes explicatives pour les projets de loi, ce qui réduit l’effort manuel et améliore la précision du langage juridique. En outre, ce système s’appuie sur une excellente connaissance des termes juridiques propres au Royaume-Uni, ce qui lui permet de bien refléter les nuances de la terminologie juridique, favorisant ainsi l’innovation et la collaboration au sein du secteur juridique.

Parlex : ce système d’IA est conçu pour aider les responsables publics en prévoyant les réactions des parlementaires face aux politiques proposées. Grâce à l’exploitation des archives parlementaires, Parlex offre des éclairages quant à la façon dont les parlementaires risquent de réagir aux nouvelles politiques, ce qui permet aux responsables publics d’élaborer des stratégies efficaces afin de mettre en œuvre les politiques souhaitées. Il est, par exemple, possible de demander à l’outil de procéder à une vérification du « climat parlementaire » dans lequel un texte serait accueilli. Cette vérification prédit le soutien ou l’opposition à ce texte en fonction des positions que les parlementaires ont adoptées lors de débats antérieurs. Cet outil aide les responsables publics à comprendre le climat politique et à prévoir, avant de formuler des propositions officielles, si les mesures qu’ils envisagent sont à même de susciter un soutien ou, au contraire, un rejet.

Aussi bien Lex que Parlex illustrent la détermination du Royaume-Uni à intégrer l’IA dans les services publics afin de planifier plus stratégiquement les textes législatifs et les politiques publiques et afin de gagner en efficience et en précision au niveau de leur conception.

Source : https://ai.gov.uk/projects/parlex-and-lex, https://www.thetimes.com/uk/politics/article/parlex-ai-to-advise-ministers-on-how-policies-will-be-received-99txwlwph.

Des évaluations de la réglementation plus agiles

L’analyse d’impact de la réglementation (AIR), qui est réalisée en amont de l’adoption des textes (ex ante), et leur évaluation ex post constituent des piliers d’une bonne gouvernance réglementaire. Il ne faut pas y voir des exigences distinctes à remplir successivement, mais des outils complémentaires qui sont intégrés au cycle de l’action publique afin d’éclairer les pouvoirs publics sur les adaptations qu’ils doivent apporter à l’action menée (que cette action se situe ou non sur le terrain réglementaire) (OCDE, 2024[24] ; 2021[28]).

L’IA peut aider les régulateurs aussi bien pour l’AIR que pour l’évaluation ex post en rendant les évaluations plus rapides et plus précises tout en limitant le fardeau qu’elles représentent. Cela peut permettre de procéder à des évaluations plus fréquentes des textes afin de mettre en place une réglementation adaptable, parée pour l’avenir et restant pertinente et efficace malgré les mutations rapides de son environnement. Cet usage de l’IA pourrait s’avérer particulièrement nécessaire pour assurer une bonne gouvernance de l’IA elle-même. Les experts de l’IA évoquent, parmi les principaux risques liés à cet outil, celui que les mécanismes et institutions de gouvernance soient incapables de tenir le rythme face à l’évolution rapide des technologies (OCDE, 2024[29]).

Dans un premier temps, l’IA peut aider à estimer le fardeau qu’entraîneraient les éventuels nouveaux textes ou nouvelles politiques, fardeau qui peut avoir une incidence sur l’aptitude des entreprises à s’adapter à l’évolution de la réglementation et sur la probabilité qu’elles s’y conforment. Or, ces aspects ont bien entendu des conséquences sur le succès d’une mesure réglementaire. Il s’agit également d’une considération importante pour les régulateurs désireux de comparer différentes approches de gouvernance ainsi que leurs coûts et avantages afin d’assurer les arbitrages nécessaires à une action publique plus efficiente et économiquement judicieuse (Encadré 5.13).

Encadré 5.13. La mise au point d’outils d’IA pour mesurer les coûts de mise en conformité avec la réglementation en Allemagne

En Allemagne, le centre de services chargé de l’amélioration de la réglementation au sein de l’Office fédéral de la statistique est en train d’élaborer un système d’apprentissage automatique pour aider à estimer les coûts de conformité, et ce afin de permettre aux textes de produire le maximum d’impact. L’approche retenue consiste à repérer, dans les projets de texte, les passages qui auront une incidence sur les coûts de conformité, en recourant à l’IA pour analyser les textes juridiques. L’IA est ensuite mise à profit pour prédire quels passages du nouveau projet de texte auront des incidences sur les coûts de conformité, et pour estimer si ces coûts seront faibles ou élevés. S’il est probable que ces coûts soient faibles, l’Office recourra à l’IA pour les calculer. En revanche, s’il est probable que ces coûts soient élevés, ce seront des humains qui les évalueront, dans un souci d’exactitude. Ce processus devrait permettre à l’Office de se concentrer sur les estimations complexes et de libérer des ressources pour d’autres projets. Toutefois, des défis persistent en lien avec la structure des données moissonnées, la lisibilité des textes juridiques allemands, la qualité des données, l’explicabilité des variables employées dans le système et la mise en concordance des différentes sources de données.

Source : (Walprecht et Lewerenz, 2024[30]).

L’IA peut aussi améliorer l’évaluation de l’action publique et favoriser une prise de décision plus éclairée et plus itérative en ouvrant la voie à des activités sophistiquées d’expérimentation et d’évaluation. En simulant différents scénarios réglementaires pour l’avenir, l’IA permet aux responsables publics de modéliser et de prédire les répercussions potentielles de différents choix réglementaires (OCDE, 2025[31]). Cette possibilité facilite les analyses d’impact de la réglementation en aidant les responsables publics à comprendre les conséquences que les dispositions envisagées produiraient sur les différents secteurs et les différentes parties prenantes. Cela peut permettre de prévoir l’efficacité des mesures envisagées en révélant des constantes qui pourraient échapper, dans l’immédiat, aux méthodes traditionnelles d’analyse.

Par exemple, l’Université de Dublin a piloté l’élaboration d’une simulation de politique d’innovation au service de l’économie intelligente (IPSE). Cet outil simule les effets d’instruments d’action en fonction de profils régionaux et d’informations sectorielles. L’objectif est de mieux comprendre les facteurs potentiels d’innovation ainsi que leurs conséquences avant de déployer des instruments d’action (Nesta, 2024[32]). De même, l’outil PolicyEngine analyse des textes lisibles par la machine pour modéliser et évaluer les conséquences que les modifications envisagées au niveau des politiques publiques auraient sur les administrations publiques et sur les citoyens. Les utilisateurs peuvent choisir leur pays (à l’heure actuelle, le Canada, les États-Unis, le Royaume-Uni et le Nigéria sont disponibles), le domaine d’action publique concerné ainsi que les politiques appelées à évoluer pour calculer leurs incidences économiques et budgétaires de façon à voir comment les changements influeraient sur, par exemple, les recettes publiques. PolicyEngine est en train d’intégrer ChatGPT à son système afin d’offrir plus d’éléments d’analyse et d’assurer plus d’explicabilité à ses utilisateurs (Martin, 2023[33]).

Une association facilitée des parties prenantes à la conception des textes

Même si, peu à peu, les pays de l’OCDE renforcent leurs activités visant à associer les parties prenantes à la gouvernance réglementaire, la plupart d’entre eux présentent encore une importante marge de progression en la matière (OCDE, 2023[34]). L’IA peut améliorer l’efficience et l’efficacité des processus d’association des parties prenantes à la conception de l’action publique. Pour cela, elle peut s’appuyer sur l’analytique avancée et sur des interfaces utilisateur intelligentes, ce qui permet d’améliorer l’inclusivité du processus de conception de l’action réglementaire, d’accroître la réactivité des pouvoirs publics et de renforcer la transparence et la confiance à l’égard des acteurs publics. Un nombre croissant d’agents conversationnels basés sur l’IA facilitent les consultations de la population sur des projets de textes nouveaux ou révisés en interagissant de manière simultanée avec une multitude de parties prenantes et en synthétisant les données ainsi recueillies afin que les pouvoirs publics puissent ajuster en conséquence leurs projets de textes. Les agents conversationnels permettent aussi de répondre instantanément aux questions posées par les parties prenantes, de les guider lors du processus de consultation et de simplifier des textes juridiques complexes afin de permettre à la population de mieux les comprendre. Le processus de consultation devient dès lors plus accessible pour les parties prenantes et, en parallèle, la charge de travail supportée par les régulateurs pour assurer une conception participative des politiques est allégée. La rubrique « Participation civique et gouvernement ouvert » du présent chapitre aborde plus en détail le recours à l’IA dans le cadre de l’association des parties prenantes et de la participation citoyenne.

L’appui aux fonctions des régulateurs économiques

Les régulateurs économiques assurent diverses fonctions pour lesquelles l’IA peut s’avérer utile, y compris la fixation de tarifs, l’autorisation d’activités, le traitement de réclamations, la médiation de litiges, le suivi des marchés et la réalisation d’inspections et d’activités de mise en application. Au-delà des activités réglementaires qui sont au cœur de leur mission, les régulateurs économiques doivent aussi mener à bien de nombreuses activités pour remplir cette mission avec efficacité. Ainsi, ils mènent des travaux de recherche pour bien comprendre les secteurs et les marchés qu’ils supervisent.

Même si certaines actions commencent à être menées, les régulateurs n’en sont qu’aux prémices du recours à l’IA, et rares sont ceux qui étudient son utilisation ou qui aient lancé des projets pilotes en la matière2. D’après une enquête réalisée par l’Organe des régulateurs européens des communications électroniques (ORECE), « l’adoption de l’IA par les agences réglementaires nationales n’en est qu’à ses débuts », et seuls de très rares régulateurs « ont étudié ou prévoient d’étudier les modalités d’une éventuelle adoption de l’IA » (BEREC, 2023[35]). Néanmoins, les utilisations actuelles et les pistes d’utilisation de l’IA dans le cadre des affaires réglementaires reflètent une tendance plus large à se tourner davantage qu’avant vers les données et les technologies numériques. Les analyses de l’OCDE (OCDE, 2025[31] ; 2020[36]) montrent que les outils numériques aident les régulateurs en leur permettant de mieux exploiter les données et de prendre des décisions plus éclairées. Face à leurs contraintes budgétaires, les régulateurs se tournent de plus en plus vers l’IA pour rendre leurs processus plus efficients et plus efficaces.

Les discussions récemment tenues dans l’enceinte du Réseau des régulateurs économiques de l’OCDE (NER)3 ainsi que les exemples cités dans des études récentes montrent que l’IA est déjà utilisée pour des inspections, des activités de suivi des marchés et des opérations au contact direct de l’usager telles que le traitement des réclamations ou la formulation de réponses aux demandes de renseignements. Par exemple4 :

• les régulateurs des communications électroniques de l’UE recourent à l’IA pour modéliser les canaux de radio et optimiser le partage du spectre, pour détecter les contenus en ligne illicites ou prohibés, pour réaliser des activités de relation client telles que la classification des réclamations et pour mesurer l’expérience client en ligne ainsi que les comportements des plateformes à grande échelle. Il est aussi possible de recourir à l’IA pour suivre le marché afin de veiller à ce que les produits mis en vente en ligne soient conformes aux règles applicables à la sécurité des produits (Encadré 5.14) (BEREC, 2023[35] ; Faculty, 2021[37]).

• le régulateur autrichien de l’énergie (E-control) est en train de développer une application basée sur l’IA pour aider les usagers à comprendre leur facture d’énergie, ainsi qu’un agent conversationnel pour répondre aux demandes de renseignement des usagers.

• le régulateur péruvien du secteur de l’eau (la Sunass) (2024[38]) a recours à l’IA pour la rédaction des rapports d’inspection. L’application automatise la génération des rapports à partir des variables saisies par les inspecteurs dans des tableaux, ce qui simplifie nettement le processus et réduit le temps consacré à la rédaction des rapports. Dans un souci d’exactitude, les rapports sont ensuite validés par des spécialistes. La Sunass s’est aussi dotée d’un outil qui recourt à l’analyse géospatiale et à un algorithme de classement pour calculer les besoins d’investissement et les lacunes en la matière dans le secteur péruvien de l’eau.

• l’Autorité israélienne des marchés de capitaux a entamé le développement d’un outil basé sur l’IA pour rassembler les informations relatives aux assurances et à l’épargne qui sont publiées sur les sites web. Ce projet s’appuie sur des modèles financiers avancés, sur l’apprentissage automatique et sur le traitement du langage naturel pour permettre un repérage plus précoce et plus précis des risques, des anomalies et des soupçons de fraude sur les marchés de capitaux. Ce projet offre, de plus, des outils visant à accroître la transparence pour le grand public et pour les investisseurs. Ce système, qui en est au stade de la preuve de concept, propose des outils visuels pour entraîner les modèles, suivre les performances, prendre des décisions et produire des éclairages concrets à l’usage des agents de l’Autorité5.

• au Brésil, l’Agence nationale des transports terrestres (ANTT) a recours à l’IA dans le cadre de sa supervision des infrastructures de transport afin de bien remplir sa mission de régulateur économique du secteur. Son Système d’information routière combine des données portant sur des aspects tels que les accidents, l’assistance routière, les auteurs possibles d’infractions, les péages, les radars et les capteurs de trafic pour 26 concessionnaires. Le système enregistre 15 000 données en temps réel par seconde et combine des outils d’IA à une interface humaine, l’équipe étant disponible 24 heures sur 24, 7 jours sur 7. Ces informations permettent à l’ANTT de superviser plus efficacement les activités de secteur du transport routier et favorisent une prise de décision fondée sur les données pour l’encadrement réglementaire du secteur, aussi bien de la part de l’ANTT que des autres acteurs publics.

Encadré 5.14. Au Danemark, l’IA au service de la sécurité des produits grâce à l’outil SAFE

En 2021, le Danemark a mis au point un outil d’IA destiné à moissonner l’internet pour détecter les produits dangereux dans 16 pays européens, automatisant ainsi un processus qui, jusque-là, nécessitait des recherches manuelles. Cet outil baptisé SAFE a été développé par l’Autorité danoise des technologies de sécurité (Sikkerhedsstyrelsen), en collaboration avec une entreprise privée d’informatique, pour automatiser des opérations qui mobilisaient beaucoup de ressources et pour améliorer la sécurité des consommateurs.

SAFE a recours à la reconnaissance d’images et de caractères pour détecter la circulation de produits dangereux ou défectueux mentionnés dans Safety Gate, le système d’alerte rapide de l’UE pour les produits non alimentaires dangereux (anciennement RAPEX), ou dans le système d’information et de communication pour la surveillance des marchés (ICSMS). L’outil est entraîné en permanence grâce aux commentaires des utilisateurs, afin d’améliorer l’exactitude de ses résultats. Les résultats produits par SAFE peuvent être utilisés pour prévenir les autorités que des produits non conformes sont en vente sur leur marché.

SAFE s’inscrit dans la lignée d’un outil d’IA plus ancien déjà développé par l’Autorité un an plus tôt, en 2020, pour le marché danois (l’outil AIME). L’Autorité a alors reçu des fonds de la Commission européenne pour développer un outil similaire pouvant être utilisé dans l’ensemble de l’Union européenne, et c’est ce qui a conduit à la création de l’outil SAFE.

Source : https://www.sik.dk/en/business/nyheder/new-digital-fine-toothed-comb-denmark-about-make-more-300-million-european-consumers-safer.

L’amélioration de la validation des critères de risque

Une bonne prestation de l’activité réglementaire requiert une bonne analyse des risques. Les autorités ayant besoin d’asseoir leurs activités d’inspection et de mise en application sur des critères de risque, il est crucial de suivre l’évolution des risques sur le terrain, de permettre à l’action publique de s’adapter face à cette évolution et de tenir régulièrement à jour les critères de risque.

Les techniques d’apprentissage automatique peuvent permettre d’évaluer le degré d’exactitude des évaluations de risque et d’affiner les paramètres en conséquence (Encadré 5.15). Des applications récentes d’apprentissage automatique affichent des résultats prometteurs pour le repérage des principaux facteurs prédictifs de risque, ce qui permet d’améliorer considérablement l’efficacité des activités de ciblage fondées sur les risques (OCDE, 2021[28]). Au fur et à mesure que les algorithmes d’apprentissage automatique évoluent sous l’effet de nouvelles données, il est nécessaire de les actualiser régulièrement pour qu’ils restent fiables (Cary Coglianese, 2024[39]). Si ces outils présentent un potentiel considérable, les régulateurs doivent faire preuve de prudence lors qu’ils recourent à l’IA pour produire des prédictions en matière de respect des règles, afin d’éviter les erreurs et les biais.

Encadré 5.15. Les critères de risque applicables aux contributions agricoles dans la Province autonome de Trente

En Italie, la Province autonome de Trente a collaboré avec l’OCDE pour analyser les paramètres de risque utilisés par l’agence provinciale chargée des paiements aux agriculteurs (APPAG, Agenzia Provinciale per i Pagamenti), proposer des révisions et mettre en place des pratiques normalisées robustes en matière de recours à l’apprentissage automatique. L’APPAG verse aux agriculteurs des contributions liées à leurs pratiques de gestion des terres, telles que le fauchage manuel ou le recours limité aux pesticides. Les contributions sont proportionnelles à la superficie de terrain indiquée dans la demande présentée par l’agriculteur. Les ressources disponibles pour effectuer des contrôles étant limitées, il est particulièrement important de choisir le plus précisément possible les sites à inspecter. Les critères de risque retenus par l’APPAG pour programmer ses inspections ont été validés grâce à des techniques d’apprentissage automatique. Un algorithme capable de prédire les demandes présentant les plus hauts niveaux de risque a permis de réviser les paramètres existants afin de renforcer nettement leur capacité à cibler les demandes présentant le plus de risques et à repérer les situations de non-conformité.

Source : (OCDE/UE, 2024[40]).

L’amélioration de la modélisation des risques, au service d’un meilleur ciblage des inspections

Les régulateurs peuvent recourir à l’IA pour améliorer la modélisation des risques afin de mieux cibler les inspections. Grâce à une démarche fondée sur les risques, les régulateurs dirigent leurs ressources vers les activités qui représentent une menace pour les biens publics et, plus généralement, pour la réalisation des objectifs poursuivis. Pour améliorer l’efficience des inspections et mieux faire respecter la réglementation, il est nécessaire de comprendre précisément les risques pour l’intérêt général (OCDE, 2014[41]). Il est nécessaire de fixer et d’évaluer des critères de risque pour apprécier le niveau de risque posé par les acteurs privés et pour cibler les actions visant à faire respecter la réglementation. Cela permet de mieux servir l’intérêt général en assurant une utilisation efficiente des ressources et en favorisant une relation de confiance avec les entreprises (OCDE, 2019[42] ; Blanc, 2018[43]). L’Encadré 5.16 offre un exemple de cette approche.

Encadré 5.16. Élaboration par la Toscane et l’OCDE de critères de risque pour les demandes de subventions

Le recours à des techniques d’IA par les régulateurs permet de mieux comprendre quelles sont les caractéristiques des entreprises qui peuvent être de bons facteurs prédictifs de risque. Cela pourrait améliorer considérablement le ciblage fondé sur les risques. En utilisant des outils d’IA et des techniques avancées d’analytique de données, les autorités chargées de faire respecter la réglementation peuvent adapter leur stratégie de contrôle en axant leurs ressources sur les dossiers présentant les plus grands risques, ce qui permet de limiter les risques tout en menant des actions à la fois efficientes et efficaces.

En Italie, la région de Toscane a eu recours à une méthode fondée sur les risques pour les vérifications documentaires appliquées aux demandes de financement des activités économiques menées dans la région, notamment pour les subventions européennes destinées à favoriser l’innovation. L’OCDE a contribué à l’élaboration des paramètres de risque employés pour guider le contrôle de ces demandes d’aide. En rapprochant les caractéristiques des petites et moyennes entreprises (PME) qui demandaient ces aides d’une estimation appropriée des risques potentiels, on a mis au point des systèmes prédictifs fondés sur l’apprentissage automatique. En fonction de la nature de la demande, les administrations publiques pourraient recourir à ces divers systèmes pour guider, améliorer et accélérer la prise de décision concernant les demandes de subventions et de financements.

De tels outils et algorithmes pourraient servir de base pour classer les futures demandes une fois que les systèmes auront été actualisés grâce aux données pertinentes, les ensembles de données étant appelés à s’enrichir au fil des ans. L’utilisation de ces outils sur plusieurs années pourrait permettre de mettre en évidence une recrudescence des tentatives de fraude ou, à l’inverse, l’amélioration du comportement des entreprises, celles-ci ayant appris à mieux préparer leurs demandes.

Source : (OCDE/UE, 2024[40]).

Il est aussi possible d’améliorer la modélisation des risques fondée sur l’IA grâce à des données recueillies sur les médias sociaux. L’exploitation des résultats d’inspections antérieures et des bases de données permet déjà de mieux cibler les inspections à venir et les stratégies de prévention. En parallèle, les autorités chargées de faire appliquer la réglementation ont commencé à se procurer des données disponibles sur les médias sociaux et à s’en servir pour repérer d’éventuels manquements. Si les sources d’information traditionnelles s’appuient sur les autorités et les inspecteurs, les médias sociaux permettent d’avoir directement accès aux citoyens exposés aux risques. Ils peuvent donc contribuer à éclairer les approches fondées sur les risques et à garantir que les décisions soient axées sur l’obtention de résultats.

Il faut que les inspections soient guidées par une évaluation des risques ; or, les doléances exprimées par la population permettent souvent de repérer des risques émergents. Pour améliorer la qualité des inspections, il faut tout d’abord prendre des décisions éclairées et cohérentes. Il faut tenir compte des doléances exprimées pour mieux planifier les inspections en fonction des risques voire, dans quelques rares cas, pour procéder à des inspections à l’improviste. Il est donc essentiel de mettre en place un système de gestion des doléances fondé sur les risques, afin de trouver le bon équilibre entre les inspections menées de façon proactive — à l’issue d’une planification longuement mûrie et fondée sur les risques — et les inspections lancées en réaction à un évènement, c’est-à-dire non planifiées et intervenant en réponse à des doléances jugées sérieuses.

Il est fréquent que les réclamations officielles puissent être formulées dans des applications spécifiquement destinées à les recueillir. Toutefois, les habitants peuvent être réticents à procéder ainsi ou, plus simplement, ignorer que de telles applications permettent de suivre les problèmes d’hygiène et de sécurité. Les autorités réglementaires pourraient donc recourir aux médias sociaux et aux techniques d’apprentissage automatique à l’appui de leur analyse des risques, pour obtenir des indications plus rapidement et à partir d’un plus large éventail de sources qu’avec les méthodes traditionnelles (OCDE, 2021[28]). L’OCDE a apporté son concours à une initiative inspirée par des initiatives internationales et lancée dans la région italienne du Latium pour tester la possibilité de tenir compte, dans le système de gestion des réclamations, des doléances exprimées sur les médias sociaux (Encadré 5.17).

Encadré 5.17. L’amélioration des critères de risque grâce à la prise en compte des doléances de consommateurs dans la région du Latium

Pour prévenir la survenance des conséquences les plus probables ou les plus graves du non-respect de la réglementation, les autorités réglementaires doivent s’appuyer sur l’évaluation des risques afin de bien cibler leurs stratégies de mise en application. Les doléances que les consommateurs expriment en ligne pourraient constituer une source essentielle d’information et jouer un rôle crucial au service d’un meilleur respect des textes. En améliorant leurs outils de recueil et d’analyse des commentaires publics, les autorités pourraient mieux repérer les risques et planifier leurs inspections.

Quand les citoyens ne passent pas par les voies officielles pour formuler des commentaires, y compris des doléances évoquant l’existence de dangers, ils ont tendance à s’exprimer sur les médias sociaux ou sur d’autres sites internet. Deux millions de critiques de restaurants ont été recueillies sur TripAdvisor, et un échantillon de 5 000 commentaires a été sélectionné. Au sein de cet échantillon, chaque critique a été classée manuellement, selon qu’elle mentionnait ou non un problème d’hygiène ou d’intoxication alimentaire. Cet ensemble de données pré-classées a ensuite été utilisé pour entraîner un algorithme d’apprentissage automatique, selon une approche fondée sur une longue mémoire à court terme (LMCT) bidirectionnelle. Cet algorithme LMCT a ensuite été utilisé pour analyser de nouvelles critiques publiées sur le site et pour les classer, en repérant les critiques négatives (évoquant des problèmes d’hygiène). Malgré la quantité limitée de données pré-classées utilisées pour entraîner l’algorithme, les performances du système se sont échelonnées entre 81 % et 83 %, ce qui montre son efficacité.

Source : (OCDE/UE, 2024[40]).

Un meilleur repérage des manquements

Pour mieux vérifier le respect des textes et repérer les manquements, il est nécessaire de se fonder sur des référentiels de données dépourvus d’erreurs. Face aux difficultés qu’entraîne, pour les inspecteurs, l’augmentation du volume de données potentiellement suspectes, les solutions d’apprentissage automatique peuvent aider à repérer les données non fiables et les manquements.

Des outils innovants permettent de rationaliser la soumission des données, de détecter les anomalies et d’analyser les constantes en matière de respect des règles (Encadré 5.18), ce qui améliore l’efficience des activités de contrôle menées par les autorités compétentes.

Encadré 5.18. Les certificats de conformité en Israël

En 2024, au sein du ministère israélien de la Justice, le Bureau d’immatriculation des associations rattaché à l’Autorité des entreprises s’est doté, pour son système central d’agrément, d’un processus automatisé basé sur l’IA afin de délivrer ses certificats de conformité (c’est-à-dire de bonne gestion). La délivrance de ces certificats annuels est cruciale pour plus de 23 000 organismes à but non lucratif, car c’est ce qui permet à leurs donateurs de bénéficier d’avantages fiscaux et aux organismes eux-mêmes de pouvoir prétendre à des subventions et de soumissionner dans le cadre de marchés publics.

Dans le cadre du nouveau système automatisé basé sur l’IA, des difficultés notables au niveau de la reconnaissance optique de caractères (ROC) et de la détection d’objets ont été surmontées pour permettre de repérer les cas de conformité avec les normes de bonne gestion tout en signalant les dossiers présentant des signes possibles de corruption ou de mauvaise gestion. Les superviseurs peuvent désormais concentrer leurs efforts sur les dossiers signalés par le système, et les délais de réponse moyens sont passés de 45 jours à 1 heure, ce qui a permis d’améliorer considérablement le niveau de service assuré.

Ce projet avait été l’une des neuf initiatives sélectionnées à l’issue d’un appel à propositions sur des solutions d’IA qui avait été lancé par le ministère israélien de l’Innovation, de la Science et de la Technologie en collaboration avec l’Agence nationale israélienne du numérique.

Source : représentants du Gouvernement israélien, https://www.gov.il/en/pages/most_ai_government_agencies_open_call_winners.

Gérer les risques et les défis

Les risques associés à l’IA

• Le caractère insuffisant ou biaisé des données figurant dans les systèmes d’IA

• Manque de transparence et d’explicabilité

Des inexactitudes ou des conséquences négatives pour certains individus ou groupes pourraient résulter de systèmes d’IA qui s’appuieraient sur des données insuffisantes ou biaisées. Dans le domaine de la gestion des finances publiques, cela pourrait entraîner des répercussions négatives telles que, par exemple, le ciblage indu de certains individus ou de certains groupes dans le cadre des activités de mise en application.

Les systèmes avancés d’IA prennent fréquemment leurs décisions en toute opacité, souvent sans que ceux qui exploitent le système sachent eux-mêmes comment l’outil est arrivé à sa décision (Valderrama, Hermosilla et Garrido, 2023[44] ; OCDE, 2024[29]). Face au risque d’explicabilité limitée, un contrôle et une évaluation humains du système d’IA et de ce qu’il produit s’imposent pour assurer la transparence et la redevabilité au niveau des décisions adoptées en lien avec l’activité réglementaire. Si on a recours à l’IA pour la conception ou la prestation de l’activité réglementaire — que ce soit pour la rédaction de textes, la réalisation d’évaluations ou le dialogue avec les parties prenantes —, il convient d’accorder une grande attention aux points suivants : les entrées et les sorties de l’application ; la qualité des données utilisées ; l’exactitude et la fiabilité des résultats produits par l’IA ; l’explicabilité de ces résultats ; la transparence quant au recours à l’IA pour la prise de décision ; et la redevabilité liée aux répercussions de ce recours à l’IA sur la conception et la prestation de l’activité réglementaire.

En présence du risque d’inexplicabilité, il peut être difficile de promouvoir la redevabilité et de renforcer la confiance dans l’aptitude des administrations à s’appuyer sur l’IA pour améliorer leur activité réglementaire. De manière générale, les systèmes d’IA utilisés dans le secteur public doivent être interrogeables et auditables, à l’appui du principe de redevabilité de l’IA prôné par l’OCDE. Par tous les moyens possibles et appropriés, les pouvoirs publics devraient se donner pour priorité de rendre les systèmes d’IA ouverts et transparents, afin de donner confiance à la population et de permettre un contrôle et une validation externes. Cela pourra impliquer, entre autres, de rendre les données publiques, de mettre les algorithmes à disposition en open source et d’assurer la transparence des processus décisionnels afin de renforcer la confiance à l’égard des décisions prises avec l’appui de l’IA. De plus, il est nécessaire de se doter de structures claires afin de mettre en place des mécanismes appropriés de redevabilité et de contrôle, en définissant qui est responsable de chaque aspect des résultats produits par l’IA et à qui il appartient d’assurer la qualité ou le contrôle de ces résultats pour l’ensemble de l’initiative d’IA.

Défis de mise en œuvre

• Cadres juridiques et réglementaires rigides ou obsolètes

• Manque de données de qualité et incapacité à les partager

• Déficit de compétences

L’IA offre de nombreuses possibilités pour pratiquer une gouvernance réglementaire adaptable, mais des réformes fréquentes de la réglementation peuvent être perturbatrices, aussi bien pour les entreprises que pour les particuliers. Des modifications de la réglementation fondées sur une analyse en continu des données peuvent entraîner une instabilité réglementaire qui entrave la planification à long terme des entreprises et qui empêche le grand public de rester au fait des textes en vigueur. De plus, les responsables publics et les régulateurs peuvent rencontrer des difficultés au niveau de l’accès aux données, de leur collecte et de leur traitement, ce qui limite l’aptitude des systèmes d’IA à effectuer des analyses fiables et à produire des recommandations valables. Ainsi, l’Australie s’est dotée d’une loi sur la disponibilité et la transparence des données qui fournit une base juridique pour le partage des données du gouvernement australien. Cependant, dans de nombreux cas, le partage des données est entravé par l’absence de protocoles, ou par l’incompatibilité des systèmes (Productivity Committee, 2024[45]). L’amélioration des aptitudes de traitement des données est essentielle pour toute utilisation de l’IA consistant à évaluer ou à produire les données utilisées pour la conception ou la prestation de l’activité réglementaire.

Puisqu’une intervention humaine reste nécessaire pour recourir à l’IA dans le domaine de la gouvernance de la réglementation, un manque d’expertise peut se traduire par des résultats médiocres et par une utilisation inappropriée de l’IA. Les données que l’OCDE a recueillies dans le cadre de discussions avec ses membres montrent que les régulateurs peinent à se doter d’une expertise aussi importante que celle des entreprises technologiques, en raison du coût élevé et de la rareté des compétences dans le domaine du numérique. Pour combler cet écart et accroître l’efficacité de l’activité réglementaire, les administrations doivent investir dans le renforcement des aptitudes numériques de leur personnel et promouvoir la collaboration avec le secteur des technologies, y compris en nouant des partenariats et en passant des marchés publics afin d’avoir accès aux aptitudes et aux capacités qui pourraient leur faire défaut.

Potentiel inexploité et perspectives

Le recours à l’IA dans la conception et la prestation de l’activité réglementaire en est encore à ses prémices, par rapport aux applications commerciales. Or, l’IA pourrait être davantage utilisée dans ce domaine, et les études de cas font apparaître un certain nombre de thématiques clés qui peuvent s’avérer intéressantes pour les administrations désireuses de faire progresser la maturité de l’IA en la matière. S’agissant de la conception de l’action réglementaire :

• il serait possible de recourir davantage à l’IA dans la rédaction des textes, domaine dans lequel on constate actuellement un sous-investissement. Si les pouvoirs publics recourent déjà à l’IA, de nombreuses applications se concentrent sur l’adoption de décisions d’ordre opérationnel, sur des mesures liées à la conformité, sur des processus internes d’ordre général et sur la prestation de services publics ou la production de biens publics. Pourtant, il serait facile d’adapter ces applications au domaine de la conception de l’action réglementaire. Par exemple, les agents conversationnels qui sont employés pour la prestation de services publics ou pour l’examen de candidatures et de demandes de subventions pourraient être adaptés de façon à recueillir les commentaires des parties prenantes et à analyser le corpus de textes pour étudier si une réforme est nécessaire. De même, les outils d’IA employés pour la prestation des services publics ou le suivi du fonctionnement des marchés pourraient être mis à profit pour suivre en permanence l’impact des textes existants, ce qui permettrait d’obtenir un retour d’information en temps réel et donnerait aux régulateurs la possibilité de procéder rapidement à des ajustements.

• une administration plus numérique des textes permettrait de recourir plus largement à l’IA tout au long du cycle de l’action réglementaire. Il est possible de recourir à l’IA pour simplifier la législation, pour assurer la neutralité technologique au niveau des formules employées et pour favoriser un bon traitement automatisé des dossiers. Si la législation peut être administrée de façon numérique, que ce soit en tout ou en partie, l’IA peut être employée à l’appui de la prestation de l’activité réglementaire, des activités de mise en application et des examens ex post, mais aussi pour générer des données qui permettront d’éclairer la conception de la politique réglementaire ainsi que l’expérimentation dans ce domaine.

• recourir à l’IA pour anticiper les scénarios et les risques futurs favorise une conception plus éclairée de l’activité réglementaire. L’IA peut offrir des éclairages précieux en matière de prévisions, permettant ainsi aux pouvoirs publics de détecter les tendances et retournements qui se dessinent dans divers secteurs afin de planifier de façon proactive la réponse à y apporter sur le terrain réglementaire. Par exemple, l’IA peut prédire l’évolution des technologies ou de leurs applications dans le secteur de la santé, ce qui permet aux régulateurs de tester les cadres réglementaires actuels ou d’en élaborer de nouveaux afin d’assurer la sécurité et l’efficacité avant l’adoption généralisée des technologies et de leurs applications. Cette attitude proactive plutôt qu’attentiste en matière de protection du citoyen peut contribuer à renforcer la confiance à l’égard des pouvoirs publics (OCDE, 2024[46]).

Comme dans les autres domaines de l’action publique, pour faire progresser le recours à l’IA au niveau de la conception de l’activité réglementaire, les pouvoirs publics vont devoir lever des incertitudes liées aux règles juridiques applicables et à la gouvernance. De nombreux pays peuvent être dépourvus des structures et cadres juridiques qui seraient nécessaires pour déployer en toute confiance l’IA dans le domaine de la gouvernance de la réglementation. Cela peut notamment s’expliquer par la présence, dans les textes applicables, d’ambiguïtés autour des questions de conformité et de redevabilité qui nécessiteraient d’être levées. Même si les pays s’emploient actuellement à préciser les modalités du recours à l’IA au sein de l’administration, des orientations plus abouties s’imposent pour l’utilisation de l’intelligence artificielle dans la conception de l’activité réglementaire. Une gouvernance plus robuste de l’IA est cruciale, non seulement pour les systèmes réglementaires, mais aussi pour toutes les applications publiques de l’IA, afin d’assurer un déploiement responsable et digne de confiance de cette technologie.

Les autorités publiques doivent aussi adapter les mécanismes de prestation de l’activité réglementaire de façon à assurer une bonne protection aux citoyens et aux biens publics face à la mondialisation et aux technologies, tout en mettant elles-mêmes ce nouveau contexte à profit pour obtenir de meilleurs résultats. Il va falloir veiller à doter les régulateurs des missions, des pouvoirs, des fonctions et des mécanismes de redevabilité requis pour recourir à l’IA ; et leur donner accès à des données exactes, sécurisées et de bonne qualité pour assurer la protection contre les cybermenaces. Une attention particulière devra être accordée à trois grandes nécessités dans le cadre du déploiement de l’IA à l’appui de la prestation de l’activité réglementaire :

• doter les régulateurs des pouvoirs requis en matière de collecte de données. Pour bien recueillir et analyser des données issues d’un éventail de ressources, les régulateurs ont besoin de s’appuyer sur une législation robuste. Pour être en mesure d’encadrer des marchés où les données jouent un rôle important, les régulateurs doivent disposer d’une panoplie d’outils adaptée afin de pouvoir solliciter et recevoir des informations suffisantes, en temps réel et sous une forme adaptée (OCDE, 2020[36]). Les applications d’IA reposant souvent sur la collecte de données massives, il faut donner aux régulateurs les moyens juridiques de recueillir, de traiter et de publier les données lorsque c’est pertinent, tout en honorant les principes de la protection de la vie privée et des données, et veiller à ce que le cadre juridique et institutionnel favorise l’accès aux données et leur partage, selon des modalités conformes à l’intérêt général (OCDE, 2021[47]). Il faut que les régulateurs collaborent avec l’administration nationale et avec le parlement pour veiller à ce que le cadre juridique définisse de façon appropriée leurs attributions et leurs pouvoirs.

• renforcer les aptitudes et les connaissances des régulateurs en matière d’IA. Pour pouvoir exploiter le potentiel des techniques d’apprentissage automatique et de l’analytique des données massives, les régulateurs vont avoir besoin de renforcer leur expertise en matière d’IA en recrutant des experts en science des données ainsi que des experts des risques pour la cybersécurité. Or, il est difficile, pour les régulateurs ainsi que pour les administrations publiques dans leur ensemble, de résister à la concurrence du secteur privé, qui souhaite lui aussi attirer et fidéliser ce genre de profils. De plus, il serait nécessaire d’investir dans la formation des responsables publics et des régulateurs afin de renforcer leur confiance dans les outils d’IA. Ces efforts doivent être menés aussi bien à l’échelon national qu’à l’échelon international. Il est, par exemple, possible de créer de nouveaux espaces internationaux de dialogue et de coopération permettant aux responsables de faire part de leurs connaissances et de leur expérience, à l’instar du Réseau international de coopération en matière de réglementation numérique (INDRC), qui a été créé pour favoriser le dialogue entre régulateurs (DRCF, 2023[48]).

• mettre en place des stratégies robustes en matière de gouvernance et de données pour encadrer le recours à l’IA. La transition numérique entraîne des avantages, mais aussi de nouveaux défis en matière de gouvernance des données (on trouvera au Chapitre 4, dans la section intitulée « Créer un socle de données solide », un examen détaillé des questions liées à la gestion, à la collecte, à la fourniture et à l’utilisation des données pour l’IA). Il est essentiel d’adopter des stratégies robustes afin d’atténuer les risques. L’élaboration d’une stratégie en matière de données permet de traiter de façon holistique la question de leur gouvernance. En 2024, un sondage effectué auprès des membres du Réseau des régulateurs économiques de l’OCDE (NER) a montré que 55 % des institutions interrogées étaient en train de se doter d’une stratégie en matière de données, et que 29 % d’entre elles en étaient déjà dotées6. Ces constats mettent en relief la nécessité de se doter de stratégies robustes en matière de gouvernance et de données, au service d’une utilisation efficace des données et de l’IA.

Les grands processus internes de l’État

Il s’agit notamment de la réforme de la fonction publique, de la passation des marchés publics, de la lutte contre la corruption, de l’évaluation des politiques ou de la participation citoyenne — tous cruciaux pour assurer l’efficience, la transparence et la redevabilité des institutions. Ces processus renforcent la confiance de la population, améliorent la prestation des services publics et favorisent une gouvernance fondée sur des éléments probants. Les administrations publiques ont recours à l’IA pour assurer l’intégrité de la gestion et de l’utilisation des fonds publics et pour renforcer l’aptitude de la fonction publique à faire face à l’avenir.

Notes

← 1.  La Recommandation de l’OCDE en faveur d’une gouvernance réglementaire agile (2021[328]) a pour objet d’aider les pouvoirs publics à élaborer et mettre en œuvre des approches réglementaires agiles et résilientes et de faciliter la coopération institutionnelle afin de stimuler l’innovation et de répondre aux enjeux qu’elle soulève. Elle met en relief la nécessité d’ajuster les outils de gestion de la réglementation et de permettre davantage d’expérimentation afin de favoriser un apprentissage et une adaptation continus.

← 2.  C’est ce qui ressort de la 22^e réunion du Réseau des régulateurs économiques de l’OCDE, qui s’est tenue à Paris en avril 2024.

← 3.  https://www.oecd.org/en/networks/network-of-economic-regulators.html.

← 4.  Sauf indication contraire, les détails proviennent de la collaboration et des travaux de l’OCDE avec des régulateurs nationaux.

← 5.  Indications fournies à l’OCDE par le gouvernement israélien.

← 6.  Réunion interne du Réseau des régulateurs économiques (2024).