L’IA et les collectivités territoriales sont au cœur des actualités liées à la transformation numérique du secteur public. Cette innovation ouvre de nouvelles perspectives pour améliorer les services publics, optimiser les ressources et répondre aux besoins locaux.
Dans une société confrontée à des contraintes budgétaires et à des enjeux croissants de transition écologique, l’intelligence artificielle peut aider les collectivités à anticiper les évolutions de leur territoire et à éclairer leurs décisions.
Mais pour passer de l’expérimentation à des résultats concrets, le déploiement de projets IA repose sur un préalable essentiel : disposer de données fiables, structurées et maîtrisées. De la rénovation énergétique des bâtiments à l’assistance aux agents, découvrez les principaux usages de l’IA dans les territoires et les conditions nécessaires à leur réussite.
Introduction
L’IA et les collectivités territoriales sont désormais au cœur de la transformation numérique du service public local. L’intelligence artificielle ouvre des perspectives pour améliorer la gestion des équipements, accompagner les agents et adapter les politiques publiques aux besoins des habitants. Pourtant, de nombreux projets restent au stade de l’expérimentation : les données sont dispersées, les outils communiquent difficilement entre eux et les résultats sont parfois difficiles à mesurer. Le véritable enjeu consiste donc à transformer ces nouvelles capacités technologiques en applications concrètes, utiles et maîtrisées.
Pourquoi l'IA intéresse les collectivités territoriales ?
L’intelligence artificielle intéresse les collectivités parce qu’elle peut améliorer l’efficacité des services publics malgré des moyens humains et financiers contraints. Elle permet notamment d’automatiser certaines tâches, d’anticiper des évolutions et d’éclairer les décisions à partir de volumes importants de données.
Des services publics sous pression
Les collectivités doivent répondre à des attentes croissantes tout en maîtrisant leurs budgets. Elles doivent entretenir leur patrimoine, réduire les consommations énergétiques, adapter leurs infrastructures au changement climatique et maintenir un service de proximité accessible aux habitants.
Dans ce contexte, l’IA représente une opportunité lorsqu’elle permet de mieux utiliser les ressources existantes. Un modèle prédictif peut, par exemple, aider à identifier les bâtiments prioritaires pour une rénovation énergétique. Un outil génératif peut accélérer la préparation d’un compte rendu ou la recherche d’informations dans un ensemble de documents administratifs.
L’objectif n’est pas de remplacer les agents par des systèmes automatisés, mais de leur donner des moyens supplémentaires pour analyser une situation, préparer une intervention ou traiter les demandes plus efficacement. La valeur d’un projet se mesure donc à son utilité opérationnelle, et non à la seule sophistication de la technologie.
Où en sont les collectivités aujourd'hui ?
L’IA progresse rapidement dans les territoires, avec une prédominance des usages génératifs. Selon le baromètre 2025 de l’Observatoire Data Publica, publié avec le soutien de la Banque des Territoires et de La Poste, 77 % des collectivités de plus de 3 500 habitants avaient engagé un projet d’IA ou prévoyaient de le faire dans les douze mois. Parmi les collectivités utilisant l’IA, 84 % avaient recours à l’IA générative, contre 52 % en 2024. L’enquête a été menée auprès de 292 collectivités et établissements publics locaux.
Les premiers usages concernent notamment la rédaction, la synthèse documentaire, la gestion administrative et la relation aux usagers. Les applications prédictives, qui exploitent les données pour anticiper une consommation ou un événement, demandent généralement davantage de préparation et de compétences.
Cette distinction est importante : utiliser ponctuellement un assistant conversationnel ne signifie pas qu’une collectivité a déployé une IA dans ses processus métiers. Le passage à l’échelle suppose un cadre d’utilisation, des données exploitables et des résultats que les équipes peuvent évaluer.
Sans données fiables, pas d'IA utile
Une IA ne peut produire des résultats pertinents que si les données qui l’alimentent sont suffisamment fiables, compréhensibles et adaptées au besoin traité. Dans une collectivité, la difficulté tient souvent moins à l’absence de données qu’à leur dispersion entre les services, les logiciels métiers et les prestataires.
H3
Des données dispersées entre services et prestataires
Les informations territoriales proviennent de nombreuses sources : capteurs connectés, systèmes de gestion des bâtiments, outils de suivi des déchets, systèmes d’information géographique (SIG), fichiers internes ou applications de relation aux usagers. Ces outils ont souvent été déployés à des moments différents, pour répondre à des besoins spécifiques.
Prenons l’exemple d’une commune qui souhaite réduire la consommation énergétique de ses bâtiments. Les factures sont disponibles auprès du service financier, les données de comptage proviennent d’un système technique et les informations sur les surfaces ou les usages sont conservées dans d’autres fichiers. Si ces données ne peuvent pas être rapprochées, il devient difficile de comparer les bâtiments, de comprendre les écarts et de déterminer les travaux prioritaires.
L’intelligence artificielle ne résout pas automatiquement ce problème. Si les données sont incomplètes ou contradictoires, elle risque de produire une analyse peu fiable. La première étape consiste donc à organiser leur collecte et leur partage.
Collecter, nettoyer et standardiser les données
Avant d’alimenter un modèle d’IA, les données doivent être préparées. Cette étape consiste à vérifier leur qualité, à harmoniser leur format et à s’assurer que leur signification est comprise de la même manière par les différents outils.
Trois opérations sont particulièrement importantes :
Étape |
Objectif |
Exemple territorial |
|---|---|---|
Cette préparation permet de fiabiliser les analyses et de faciliter leur actualisation. Elle contribue également à limiter les erreurs d’interprétation et à rendre les résultats plus explicables aux agents et aux élus.
L'interopérabilité, condition pour passer à l'échelle
L’interopérabilité permet aux systèmes de communiquer et de partager leurs données sans imposer le remplacement des outils déjà en place. Elle repose notamment sur des interfaces documentées, des API et des standards ouverts.
Son intérêt dépasse la seule question technique. Une collectivité qui souhaite développer plusieurs projets IA doit pouvoir réutiliser ses données d’un cas d’usage à l’autre, plutôt que reconstruire une chaîne de collecte pour chaque application.
Une plateforme de données constitue alors un socle commun : elle rassemble les informations issues de sources hétérogènes, les structure et les rend accessibles selon des règles définies. Les modèles d’intelligence artificielle peuvent ensuite exploiter ces données pour répondre à des besoins métiers précis.
La plateforme de données s’inscrit dans cette logique de centralisation et d’interopérabilité, préalable à des usages transversaux de l’IA.
Les usages concrets de l'IA dans les territoires
L’intelligence artificielle peut aider les collectivités à anticiper des besoins, à optimiser des ressources et à améliorer certains services publics. Les applications les plus pertinentes sont celles qui s’appuient sur des données disponibles et répondent à un problème opérationnel clairement identifié.
Réduire la consommation énergétique des bâtiments publics
L’IA peut aider à prévoir les consommations énergétiques, à détecter des dérives et à prioriser les travaux de rénovation. Elle permet notamment de comparer les caractéristiques et les usages des bâtiments pour identifier les actions susceptibles de produire les meilleurs résultats.
Le projet RECITAL, déployé à Noisy-le-Grand, illustre cette approche. Il concerne 200 bâtiments publics et vise une réduction de 50 % des consommations énergétiques à l’horizon 2030. Eridanis a développé deux briques d’intelligence artificielle complémentaires : l’une optimise les scénarios de travaux en tenant compte des budgets, des calendriers et des performances énergétiques ; l’autre estime le comportement thermique des bâtiments à partir d’informations telles que leur surface, leur usage et leur consommation globale.
Cette approche doit permettre de mieux planifier les rénovations sans attendre que chaque bâtiment ait fait l’objet d’un audit approfondi. Le projet vise également à maîtriser l’effort financier : les travaux nécessaires sont estimés à environ 18 millions d’euros avec cette stratégie, contre 80 millions initialement envisagés pour une rénovation intégrale. Ces montants correspondent à des estimations de projet, tandis que la réduction de 50 % constitue un objectif à atteindre, et non une économie déjà mesurée.
Ce retour d’expérience montre que la valeur de l’IA ne réside pas seulement dans la prédiction. Elle se trouve aussi dans sa capacité à comparer des scénarios et à aider la collectivité à organiser ses investissements sur plusieurs années. Découvrez le projet RECITAL et l’IA au service de la décarbonation des bâtiments publics
Piloter l'éclairage public et la gestion de l'eau
L’IA peut contribuer à une gestion plus anticipative des réseaux d’éclairage et d’eau, à condition de disposer de données suffisamment fiables et actualisées.
Pour l’éclairage public, le croisement des horaires, de la fréquentation et des historiques de fonctionnement peut aider à identifier les secteurs où les scénarios d’éclairage méritent d’être ajustés. La commande des luminaires reste encadrée par les exigences de sécurité et les règles définies par la collectivité.
Pour la gestion de l’eau, l’analyse des débits, des pressions et des niveaux mesurés peut aider à repérer des anomalies ou à estimer les risques de dépassement de seuils. Des modèles prédictifs peuvent compléter les dispositifs de surveillance, notamment pour anticiper certains épisodes de crue ou détecter des comportements compatibles avec une fuite.
Ces usages ne reposent pas uniquement sur l’IA : ils nécessitent des capteurs adaptés, des systèmes de supervision et des procédures d’intervention. L’algorithme fournit une aide à l’analyse, tandis que les équipes restent responsables de la vérification des alertes et des décisions opérationnelles.
Optimiser la mobilité et le stationnement
L’analyse des données de circulation, d’occupation du stationnement et de fréquentation peut aider une collectivité à mieux comprendre les flux urbains. Les modèles prédictifs peuvent identifier les périodes de forte affluence, anticiper certains besoins et faciliter l’adaptation des moyens disponibles.
Une commune peut, par exemple, rapprocher les données d’occupation de ses parkings des calendriers d’événements pour anticiper une hausse de la demande. Les services peuvent alors préparer une information adaptée aux usagers, ajuster l’organisation des équipes ou étudier des solutions de circulation alternatives.
La fiabilité du résultat dépend cependant de la qualité des données historiques, de leur représentativité et de la prise en compte des événements exceptionnels. L’IA ne remplace pas l’expertise des services de mobilité : elle leur fournit des éléments supplémentaires pour préparer leurs décisions.
Assister les agents au quotidien
L’IA générative offre des possibilités immédiates pour faciliter le travail administratif. Elle peut préparer un premier projet de courrier, résumer un compte rendu, rechercher une information dans un corpus documentaire ou proposer une réponse à une question fréquente d’un usager.
Ces applications peuvent réduire le temps consacré à certaines tâches répétitives et permettre aux agents de se concentrer sur les situations nécessitant davantage d’analyse ou d’échanges humains.
Elles exigent néanmoins un cadre d’utilisation clair. Les agents doivent savoir quels outils sont autorisés, quelles informations peuvent leur être transmises et comment vérifier les résultats. Une réponse générée peut comporter des erreurs ou omettre une précision importante : elle doit donc être contrôlée avant sa diffusion.
La décision administrative, l’appréciation d’une situation individuelle et la validation d’un document officiel restent sous la responsabilité des personnes habilitées. L’IA doit assister la fonction publique territoriale, et non se substituer à son jugement.
Les conditions d'un projet d'IA réussi
Un projet d’IA ne se résume pas au choix d’un modèle ou d’un logiciel. Sa réussite dépend de la pertinence du besoin, de la qualité des données, de l’implication des équipes et de la capacité à mesurer les résultats dans la durée.
Partir d'un besoin métier précis
La première étape consiste à identifier un problème concret : des consommations énergétiques difficiles à expliquer, des interventions trop nombreuses, des délais de traitement importants ou des demandes récurrentes adressées aux services.
Ce besoin doit être formulé avec les agents concernés et traduit en un objectif vérifiable. Avant de développer un modèle, il faut également déterminer si une règle métier, une automatisation classique ou un meilleur partage des données suffirait à résoudre le problème. L’IA n’est pas systématiquement la réponse la plus pertinente.
Garder la maîtrise de ses données
Les collectivités doivent connaître la nature des données utilisées, leur lieu d’hébergement, les personnes qui peuvent y accéder et les conditions dans lesquelles elles sont traitées. Cette vigilance est particulièrement importante lorsque les projets concernent des données personnelles, des informations confidentielles ou des infrastructures sensibles.
Le RGPD continue de s’appliquer dès lors que des données personnelles sont traitées. Le règlement européen sur l’intelligence artificielle, ou AI Act, ajoute des obligations qui varient selon les systèmes et les usages. Son calendrier d’application est progressif et a été modifié en 2026 : les exigences applicables doivent être vérifiées au regard du projet concerné.
En pratique, une collectivité doit examiner les garanties contractuelles, les conditions d’hébergement, les possibilités de réversibilité et les modalités de réutilisation des données par les fournisseurs. Les solutions ouvertes et les infrastructures maîtrisées peuvent contribuer à réduire la dépendance technologique, mais elles ne dispensent pas de mettre en place des mesures de sécurité et de gouvernance.
Embarquer les agents et les élus
L’accompagnement est une condition essentielle du déploiement. Les agents doivent comprendre le fonctionnement de l’outil, ses limites et les tâches pour lesquelles son utilisation est pertinente. Les élus doivent, de leur côté, pouvoir apprécier les objectifs du projet, ses coûts, ses risques et ses effets attendus sur le service public.
Une charte d’utilisation, des formations adaptées et des échanges réguliers avec les équipes permettent d’installer des pratiques cohérentes. Ils contribuent aussi à limiter les usages non encadrés d’outils externes, qui peuvent exposer des informations sensibles.
La gouvernance doit préciser les responsabilités, les conditions de validation des résultats et les procédures à suivre en cas d’erreur. Elle ne doit pas être réservée aux spécialistes informatiques : les métiers concernés doivent participer aux choix et à l’évaluation des usages.
Mesurer les résultats
Un projet IA doit être évalué à partir d’indicateurs définis avant son déploiement. Le choix dépend de l’objectif initial : une application destinée à réduire les consommations énergétiques ne s’évalue pas de la même manière qu’un assistant de rédaction.
Quelques indicateurs possibles sont le temps moyen de traitement d’une demande, la consommation énergétique d’un bâtiment, le nombre d’interventions évitées, le taux d’erreurs détectées ou la proportion de réponses nécessitant une correction humaine.
Il faut comparer ces résultats à une situation de référence et tenir compte des coûts de fonctionnement, de la maintenance, de la formation et de la qualité des données. Cette démarche permet de déterminer si le projet produit une valeur suffisante pour être maintenu, adapté ou étendu à d’autres services.
Par où commencer selon la taille de sa collectivité ?
L’intelligence artificielle n’est pas réservée aux grandes métropoles. Une petite commune peut commencer par un usage limité, tandis qu’une intercommunalité ou un département peut mutualiser les compétences, les infrastructures et les investissements pour accompagner plusieurs territoires.
Lancer un premier cas d'usage ciblé
Une collectivité peut démarrer sur un besoin circonscrit : assister la rédaction de courriers, analyser les consommations de quelques bâtiments ou automatiser la recherche dans un ensemble de documents administratifs.
Il est préférable de commencer avec un volume de données maîtrisé et des utilisateurs identifiés. Le projet peut alors être testé sur une période définie, avec des critères d’évaluation simples. Si les résultats sont concluants, la collectivité pourra étendre progressivement le dispositif.
Cette approche limite les risques financiers et techniques. Elle permet également aux agents d’acquérir de l’expérience avant d’engager des projets plus complexes, notamment ceux qui nécessitent de croiser des données issues de plusieurs systèmes
Mutualiser à l'échelle intercommunale ou départementale
La mutualisation permet de partager les coûts, les compétences et les bonnes pratiques entre plusieurs collectivités. Un syndicat mixte, un syndicat numérique ou une structure départementale peut notamment porter des infrastructures communes, accompagner les projets et faciliter l’accès à l’expertise.
Le projet porté par Somme Numérique illustre l’intérêt de cette démarche. Un premier déploiement a réuni sept entités publiques volontaires — communes, intercommunalités et syndicat d’énergie — autour d’usages tels que l’éclairage public, les déchets, les consommations des bâtiments et le suivi des niveaux des cours d’eau. Après cette phase pilote, une généralisation du réseau d’objets connectés à l’échelle du département a été validée en septembre 2025. La détection prédictive des fuites d’eau et d’autres usages de l’IA étaient envisagés pour la suite : ils ne doivent donc pas être présentés comme des résultats déjà obtenus.
Cette logique de coopération se retrouve également dans le programme national Territoires d’IA de la Banque des Territoires, qui propose un accompagnement, des ressources mutualisées et des cas d’usage destinés à faciliter le déploiement de l’IA souveraine dans les collectivités.
Pour les petites communes, ces dispositifs peuvent constituer un point d’entrée intéressant : elles peuvent bénéficier d’un cadre commun et d’un accompagnement adapté, sans devoir constituer seules une équipe spécialisée.
Conclusion
L’IA et les collectivités territoriales ouvrent de nouvelles perspectives pour améliorer les services publics, piloter les ressources et accompagner la transition écologique. Mais les résultats dépendent d’abord de la qualité des données, de leur interopérabilité et d’une gouvernance claire. La démarche la plus efficace consiste à partir d’un besoin métier précis, à tester un premier usage et à mesurer ses effets avant de l’étendre. Pour préparer cette évolution, la structuration des données constitue une première étape déterminante.
