Data / IA
Laurence Houdeville (DGCL) : « L’IA n’est pas magique »
Par Laurent Delattre, publié le 11 septembre 2026
Avant les modèles, les RAG et les agents, il y a la donnée. Et surtout la connaissance que l’on en a. Invitée de la Matinale IT for Business « IA, ML, agents : comment vos métiers s’en emparent ? », Laurence Houdeville, Cheffe de la mission numérique à la Direction générale des collectivités locales (DGCL), rappelle une évidence trop souvent escamotée : impossible d’industrialiser sérieusement l’IA sans avoir auparavant cartographié, qualifié, indexé et rendu interopérable son patrimoine informationnel.
Les démonstrations d’IA générative donnent parfois l’impression qu’il suffit de brancher un modèle sur quelques bases documentaires pour transformer un système d’information. Le retour d’expérience de la DGCL raconté par Laurence Houdeville à Thomas Pagbé invite à beaucoup plus de pragmatisme.
La Direction générale des collectivités locales manipule un patrimoine particulièrement vaste : données d’aménagement du territoire, finances locales, informations relatives aux élus ou aux fonctionnaires territoriaux… Mais elle en produit finalement assez peu directement. Elle agrège notamment des informations issues de la DGFiP, des services de l’habitat et de l’urbanisme ou encore des préfectures.
Et la première difficulté fut précisément de savoir ce que recouvrait réellement cet ensemble.
Avant de faire de l’IA, savoir quelles données on possède
« Très vite, on s’est rendu compte qu’on méconnaissait notre patrimoine informationnel et qu’il fallait le mettre à plat », explique Laurence Houdeville.
La DGCL commence donc par auditer ses données et reprendre ses processus, avec une démarche de Business Process Management destinée à identifier les chaînes de valeur et tous les endroits où s’échangent des données. Elle cartographie parallèlement les informations présentes dans les différents systèmes et les échanges interapplicatifs.
Un chantier qui peut sembler élémentaire mais qui, reconnaît-elle, n’avait jamais réellement été mené jusqu’au bout : « La donnée est souvent collectée. Elle est hébergée avec des noms assez techniques. Du coup, elle est faiblement accessible. »
Voilà sans doute un premier enseignement pour les DSI : posséder de la donnée ne signifie pas disposer d’un patrimoine data exploitable. Avant même de parler de modèle, il faut savoir ce que l’on détient, où cela se trouve, qui l’utilise, comment cela circule et quelle signification métier lui attribuer.
Une problématique que nous avions déjà décryptée dans notre Matinale consacrée à la gouvernance : avec l’IA, celle-ci n’est définitivement plus un simple « sujet de support » : Avec l’IA, la gouvernance des données n’est plus un sujet de support
Sept millions d’actes par an à rendre intelligibles
L’exemple le plus parlant est celui du système d’information ACTES, utilisé par les préfectures pour le contrôle de légalité. La volumétrie donne le vertige : sept millions d’actes par an, avec des pointes pouvant atteindre 30 000 actes par jour.
Ici, il ne s’agit plus seulement de bases structurées, mais de documents et donc de données non structurées. Pour les rendre exploitables, la DGCL a travaillé sur un modèle ontologique : identification des concepts, nature des actes, domaines, sous-domaines et liens entre ces différents éléments.
Les documents sont ensuite annotés avec des mots-clés afin d’alimenter un moteur sémantique. À cela vient s’ajouter un moteur de règles, développé à partir d’un programme Python, capable par exemple de faire remonter certains actes en fonction de leur contenu ou d’un montant.
La leçon est particulièrement importante à l’heure des RAG et des agents : « C’est tout ce travail amont de classification et d’indexation des actes qui est essentiel si on veut, après, pouvoir apporter de la valeur avec de l’intelligence artificielle. »
Autrement dit, l’IA arrive après la compréhension du métier et de la donnée, pas à leur place.
D’abord du pragmatisme
Interrogée plus largement sur les annonces de recours à l’IA pour analyser de très grands volumes de dossiers administratifs, Laurence Houdeville refuse justement la vision du bouton magique.
« Si on veut une IA performante, il faut qu’elle se base sur un socle d’indexation, de réflexion. Il faut savoir quels sont les usages qu’on veut chercher. Il faut avoir structuré cette donnée. »
Puis vient une deuxième condition : faire communiquer les systèmes.
« Il faut que les systèmes soient interopérables », insiste-t-elle. Pour la responsable de la DGCL, l’un des grands défis de l’État reste ainsi « l’interopérabilité de l’ensemble de ces systèmes et donc l’échange de données », indispensable pour enrichir les bases et en garantir la qualité.
Un enjeu qui dépasse largement l’administration : plus les entreprises vont connecter leurs IA, leurs RAG et leurs agents à plusieurs applications, plus la qualité des interfaces, des métadonnées et des échanges devient stratégique.
Dans le secteur public, cette question de l’interopérabilité est d’ailleurs au cœur même de la simplification administrative (cf notre article : L’interopérabilité, le chaînon manquant de la simplification administrative).
Ce que les DSI doivent retenir
Derrière le cas très particulier de la DGCL se dessine finalement une méthode applicable à toute organisation. Cartographier avant de connecter. Donner du sens avant de vectoriser. Qualifier avant d’automatiser. Définir les usages avant de choisir les modèles. Et rendre les systèmes interopérables avant de lâcher des agents à travers le SI.
Car, comme le résume Laurence Houdeville en une formule qui pourrait devenir le mantra de bien des projets IA : « L’IA n’est pas magique. »
Une conclusion parfaitement raccord avec l’un des fils rouges de cette Matinale IT for Business : à mesure que l’IA remonte des métiers et entre dans les processus, la DSI doit moins courir derrière chaque nouveau modèle que construire les fondations permettant de les exploiter réellement.
À LIRE AUSSI :
À LIRE AUSSI :
