Télécharger le dossier « Data et IA dans les collectivités : faire les bons choix dès le départ »
- En 2025, près d'une collectivité sur deux de plus de 3 500 habitants a déjà engagé un projet d'IA, et plus des trois quarts sont concernées à court terme.
- Les projets data et IA échouent le plus souvent faute de cadrage : besoin métier mal posé, donnée peu fiable, trajectoire absente, perte de maîtrise sur les outils, les coûts ou les données.
- Les cas d'usage sur l'eau, l'énergie des bâtiments, l'éclairage public et les déchets sont désormais documentés et chiffrés.
- Le dossier propose une méthode pour le début du mandat : feuille de route, premiers projets, socle de données, gouvernance, démarche itérative.
- Une checklist de la souveraineté des données et une checklist des projets IA aident à vérifier chaque projet avant de l'engager.
Introduction
Les premières décisions prises en début de mandat déterminent les priorités, les bases techniques et organisationnelles, et les dépendances futures d’une collectivité sur la data et l’IA. Eridanis publie un dossier de 41 pages pour aider élus et directions générales à structurer une stratégie utile, maîtrisée et durable dès les premiers mois du mandat.
« Une collectivité qui aborde ces sujets tôt et correctement ne se contente pas de suivre une tendance. Elle se donne les moyens de mieux piloter, mieux décider et mieux servir son territoire. » — Alexis Semmama, directeur général d’Eridanis

Pourquoi la data et l'IA deviennent un sujet de pilotage
La data et l’IA s’installent dans le fonctionnement courant des collectivités, avec des niveaux de maturité variables. Le dossier part d’un constat : la question porte désormais sur les conditions dans lesquelles elles deviennent réellement utiles.
Quelle place la data et l'IA occupent-elles déjà dans les collectivités ?
Entre 2008 et 2024, environ 5,5 milliards d’euros ont été investis dans des projets liés aux territoires intelligents et durables au sein des 40 principales agglomérations françaises (Xerfi, 2024). En 2025, près d’une collectivité sur deux de plus de 3 500 habitants a déjà engagé un projet d’IA ; plus des trois quarts sont concernées à court terme en incluant celles qui s’apprêtent à se lancer (Observatoire Data Publica, baromètre 2025).
Dans une ville ou une intercommunalité, la donnée est déjà partout : capteurs et équipements connectés, logiciels métiers, tableaux de suivi, documents produits par les services, remontées terrain. La transformation commence le plus souvent par la capacité à identifier, structurer et exploiter ces données ; l’IA vient ensuite, sur certains usages.
Qu'est-ce qui explique cette accélération ?
Le dossier identifie trois dynamiques. L’action publique locale est devenue plus complexe, avec des marges de manœuvre humaines et budgétaires limitées : la donnée aide à observer plus finement, arbitrer plus solidement et piloter les ressources. L’offre s’est structurée, portée par des acteurs repositionnés après les grands cycles de déploiement du très haut débit. Les financements se sont multipliés : appels à projets nationaux, France 2030, programmes européens, Fonds vert.
Quels gains les cas d'usage les plus mûrs permettent-ils ?
L’Observatoire des territoires connectés et durables, porté par InfraNum et la FNCCR, estime le bilan économique net potentiel de plusieurs cas d’usage.
Cas d’usage | Bilan économique net potentiel |
|---|---|
+731 M€ | |
+301 M€ | |
+205 M€ | |
+142 M€ | |
Prévention des incendies | +106 M€ |
Ces ordres de grandeur ne valent pas promesse automatique pour chaque territoire. Les résultats restent inégaux : certains projets produisent peu d’effets, faute de cadrage, de qualité de données, d’appropriation par les services ou de cohérence d’ensemble.
Les fondamentaux à maîtriser pour éviter les erreurs
La data et l’IA sont d’abord des sujets de pilotage, de méthode et de maîtrise. Sans entrer dans le détail technique des outils, un élu doit comprendre de quelles données on parle, définir un objectif mesurable, identifier les usages utiles, organiser une gouvernance lisible et garantir la maîtrise dans la durée.

De quelles données parle-t-on ?
Dans une collectivité, la donnée est multiple, hétérogène et souvent dispersée. Toutes les données n’ont pas la même fiabilité ni le même potentiel d’exploitation.
Type de données | Exemples | Niveau de fiabilité |
|---|---|---|
Automatique | Capteurs IoT, API, services externes | Moyen à élevé |
Métier | Logiciel de GMAO, outils d’exploitation | Moyen à élevé |
Manuelle | Tableurs, saisie par les agents | Variable |
Non structurée | PDF, comptes rendus, e-mails | Faible |
IA générative ou IA spécifique : quelles différences ?
L’IA générative aide à rédiger, synthétiser ou rechercher de l’information. Elle demande peu de prérequis techniques ; l’enjeu porte sur les usages, la sécurité et la validation humaine. L’IA spécifique répond à un besoin métier : optimisation énergétique d’un bâtiment, détection d’anomalies sur un réseau, anticipation d’un incident. Elle exige des données fiables, structurées, historisées et en quantité suffisante.
Une collectivité peut donc tester des usages simples d’assistance rédactionnelle sans être prête pour des usages prédictifs.
Pourquoi partir d'un problème à résoudre ?
Beaucoup de démarches commencent à l’envers : on connecte des sources, on achète un outil, puis on cherche à justifier le projet. Une stratégie data ou IA sérieuse part d’un service à améliorer, d’une dépense à maîtriser, d’un risque à anticiper ou d’un arbitrage à objectiver. Elle précise ce que l’on veut améliorer, à quel horizon, sur quel périmètre et avec quels indicateurs : gain de temps pour les services, baisse de consommation énergétique, réduction du nombre d’incidents, économie budgétaire, qualité de service.
« Plus la promesse de l’IA est élevée, plus l’exigence sur la donnée et le cadrage est forte. » — Dossier Eridanis
Qui fait quoi dans une démarche data et IA ?
Sans appropriation par les agents, aucun outil ne transforme réellement une collectivité. Le dossier décrit une répartition des rôles.
Acteur | Rôle |
|---|---|
Élus | Fixent le cap et les objectifs |
DGS et DGA | Assurent l’exécution de la vision des élus et la cohérence avec la réalité métier |
Directions métiers | Expriment les besoins au regard des objectifs |
Porteur de projet | Structure et pilote la démarche |
DSI | Sécurise, encadre les prestataires, accompagne techniquement les services |
Prestataire | Exécute la vision et conseille à partir de son expérience |
Comment garder la maîtrise dans la durée ?
La maîtrise repose sur trois exigences. L’interopérabilité permet aux systèmes de dialoguer et conditionne tout pilotage transversal. La souveraineté dépasse l’hébergement : elle touche à la capacité du territoire à rester libre de ses choix, techniquement, juridiquement, opérationnellement et financièrement. La soutenabilité suppose d’anticiper les coûts récurrents, la maintenance et les compétences dès le lancement.
Le dossier souligne enfin l’enjeu politique : un projet data ou IA doit pouvoir être expliqué, compris et assumé auprès des habitants.
Des opportunités concrètes sur toute l'action publique locale
La valeur de la data et de l’IA se mesure à leur capacité à améliorer concrètement l’action publique. Le dossier passe en revue les principaux domaines où ces gains sont déjà observés.
Observer, comprendre, agir
La première valeur de la donnée est de rendre visible ce qui reste fragmenté entre services, outils et formats. Une fois consolidée, elle permet de relier les informations, de repérer des écarts et d’identifier des tendances, puis d’agir plus vite et de mieux orienter les moyens. Cette chaîne observer, comprendre, agir est le cœur de toute démarche data appliquée à une collectivité.
Énergie, bâtiments, eau, déchets
Ces domaines comptent parmi les cas d’usage les plus mûrs : ils sont coûteux, mesurables et directement liés à la qualité du pilotage. Les retours d’expérience montrent qu’un pilotage plus fin des consommations permet fréquemment des réductions de l’ordre de 15 à 20 %, en corrigeant des dysfonctionnements ou en ajustant les usages. La détection rapide d’une fuite ou d’une dérive énergétique réduit les coûts, et une connaissance objectivée du patrimoine aide à prioriser les investissements.
À Noisy-le-Grand, le projet RECITAL, porté par Eridanis sur la partie intelligence artificielle, vise à réduire la consommation énergétique du patrimoine bâti pour se conformer au décret tertiaire. Une IA prédit le comportement énergétique des bâtiments, une autre planifie les travaux de rénovation : 60 M€ de travaux nécessaires, contre 80 M€ initialement estimés.

Voirie, mobilité, infrastructures
Une vision consolidée des chantiers en cours et à venir évite les doublons et les conflits d’occupation. Des données bien structurées permettent de générer plus rapidement certains actes, comme les arrêtés de voirie, et la connaissance patrimoniale fait passer l’entretien d’un mode subi à un mode planifié. Les élus disposent aussi d’éléments plus solides pour expliquer les opérations aux administrés.
Relation usagers, solidarité, fonctionnement interne
La donnée permet de suivre les délais, les volumes et les motifs de sollicitation, et de piloter plus précisément la relation usagers. Dans le champ de la solidarité, elle aide à mieux répartir les capacités disponibles et à identifier les points de blocage : places en établissement, aide à domicile, accompagnement social. En interne, la numérisation d’un processus comme les arrêtés de voirie apporte un triple gain : temps, fiabilité et accès à l’information.
L'IA générative, levier de productivité encadré
L’IA générative est souvent la porte d’entrée la plus simple : rédaction de mails, synthèse de documents, comptes rendus, recherche d’information. Elle demande un cadre explicite pour les agents : usages autorisés, confidentialité, relecture, vérification des sources, transmission de données.
L'hypervision, une vision globale du territoire
La supervision suit plusieurs sources dans un même domaine métier ; l’hypervision croise des sources issues de plusieurs métiers. À court terme, elle améliore la capacité de réaction, notamment en gestion de crise. À long terme, elle aide à analyser les trajectoires du territoire et à sortir des logiques en silo.
Les pièges à éviter et les conditions de réussite
Les projets data et IA échouent le plus souvent faute de méthode, de cadrage et de maîtrise. La différence entre un projet utile et un projet coûteux tient à la manière dont la collectivité l’aborde.
Pourquoi les projets data et IA échouent-ils ?
Le dossier identifie quatre causes principales : un besoin métier mal posé, une donnée insuffisante ou peu fiable, une trajectoire absente ou instable, une perte de maîtrise sur les outils, les coûts ou les données.
Une solution peut être réussie sur le plan technique et rester sans effet si les métiers ne s’en servent pas : les agents utilisateurs et les équipes de terrain doivent être associés dès la conception. Une IA ne corrige pas une donnée faible, elle l’exploite ; sans historique suffisant, un usage prédictif n’est pas crédible. Sans cap, enfin, les solutions s’empilent en verticales coûteuses et difficiles à piloter.
« Ce qui n’est pas fiabilisé en amont se paie presque toujours plus tard. » — Dossier Eridanis
Comment éviter la dépendance ?
La dépendance au prestataire reste discrète tant que tout fonctionne, puis devient concrète au renouvellement d’un marché ou lors d’une évolution de prix. Elle passe aussi par les coûts récurrents et par la compétence : une collectivité qui externalise entièrement la compréhension de ses données et de ses règles de calcul perd sa capacité à arbitrer. La réversibilité se pense donc dès le départ.
Le dossier propose une checklist de la souveraineté des données :
- Qui a la propriété de mes données ?
- Suis-je autonome pour accéder à mes données ?
- Mes données, leurs traitements et leurs accès sont-ils suffisamment documentés ?
- Est-ce que je connais et maîtrise mes données ?
- Suis-je contraint par une entité externe, d’une manière ou d’une autre ?
- Puis-je changer de prestataire ?
- Les biais sont-ils limités autant que techniquement possible ?
Quels faux départs éviter ?
Un PoC lancé « pour voir » peut démontrer qu’une technologie fonctionne sans jamais répondre à la question de son intérêt pour la collectivité. Aller trop vite sur l’automatisation saute des étapes : observer, comprendre, aider la décision, puis seulement automatiser. Confondre sujet informatique et sujet data réduit la stratégie à l’outillage : la DSI encadre, sécurise et accompagne, tandis que l’équipe projet data et IA porte les besoins métiers et le pilotage transversal.
Quelles conditions de réussite réunir ?
Les conditions de réussite reviennent de manière constante : un besoin métier clair, un portage fort rattaché de préférence à la direction générale, une gouvernance régulière, une trajectoire progressive et un socle de données transverse. Le dossier les traduit en une checklist des projets IA : intérêt métier réel, porteur identifié, données disponibles et fiables, historique suffisant, compétences sur les données, indicateurs définis, besoin réel de recourir à l’IA.
Les premières décisions à prendre dès le début du mandat
Les premiers mois du mandat construisent la capacité de la collectivité à transformer ses intentions en trajectoire de travail. Le dossier propose une méthode en cinq temps : établir la feuille de route, lancer les premiers projets, déployer le socle de données, mettre en place la gouvernance et installer la démarche dans la durée.

Que doit contenir une feuille de route data et IA ?
La feuille de route se construit dans les deux sens : un cadrage descendant, des élus vers les directions, et un travail ascendant avec les chefs de service et les équipes métiers. Elle est discutée, corrigée et validée à chaque niveau jusqu’à l’arbitrage final. Elle doit produire :
- des objectifs politiques clairs ;
- des priorités métiers opérationnelles ;
- un plan d’action détaillé sur 12 mois ;
- une trajectoire cible sur 3 à 4 ans ;
- des arbitrages explicites ;
- une validation partagée, du terrain jusqu’aux élus.
Comment conjuguer résultats rapides et chantiers de fond ?
Quelques projets à fort impact et à complexité maîtrisée montrent rapidement que la démarche produit des effets et facilitent l’adhésion des agents, des directions et des élus. En parallèle, des chantiers de fond préparent le passage à l’échelle : consolidation des données historiques, remise en qualité des bases, référentiels, interopérabilité.
« Les projets rapides créent de la preuve ; les chantiers de fond créent de la durée. » — Dossier Eridanis
Pourquoi déployer une plateforme de données du territoire ?
Si la feuille de route donne la direction, la plateforme constitue le socle : elle connecte, agrège, structure et redistribue les données de l’ensemble des systèmes, sans remplacer les logiciels métiers. Elle doit répondre à trois exigences : souveraineté, interopérabilité et robustesse. Sa gouvernance précise qui alimente, qui valide, qui consomme et qui garantit la qualité des données. C’est la logique d’Ouranos, la plateforme d’Eridanis, conçue comme un hub de la donnée territoriale.
Quelle gouvernance mettre en place ?
Le dossier recommande deux niveaux. Au niveau opérationnel, une équipe projet suit les chantiers chaque semaine et fait l’interface entre métiers, DSI, prestataires et direction générale. Au niveau stratégique, un comité de pilotage régulier réunit les élus concernés, la direction générale, les directions métiers et l’équipe projet pour vérifier ce qui a été réalisé et arbitrer la suite.
Comment installer la démarche dans la durée ?
L’approche la plus robuste avance par phases, suffisamment longues pour produire des effets et suffisamment courtes pour corriger vite : lancer, mesurer, ajuster, étendre. Chaque phase vérifie ce qu’elle a réellement apporté, qu’il s’agisse d’un délai réduit, d’un gain financier ou d’une meilleure capacité d’anticipation.

