IA générative Google Cloud : l’urbanisme public accéléré

L’IA générative Google Cloud entre dans une phase concrète de déploiement au sein des services publics britanniques. Objectif : alléger la charge administrative des autorités locales chargées de l’urbanisme, où les dossiers papier, les PDF anciens et les règles locales ralentissent encore de nombreuses décisions.

Dans un contexte de forte pression sur le logement, le gouvernement britannique vise la construction de 1,5 million de nouveaux logements d’ici 2029. Pour y parvenir, il ne suffit pas d’augmenter les ambitions politiques : il faut aussi fluidifier les processus qui conditionnent l’instruction des demandes d’aménagement.

Pourquoi l’IA générative Google Cloud cible l’urbanisme

Les services d’urbanisme locaux traitent chaque année un volume considérable de demandes. Une grande partie de ce travail repose sur l’analyse de documents non structurés : formulaires, plans, archives historiques, politiques locales, lettres de consultation et pièces justificatives au format PDF.

Cette accumulation crée des files d’attente administratives. Les demandes dites domestiques, comme les extensions de maison ou l’aménagement de combles, représentent près de 70 % des demandes annuelles. Même lorsqu’elles sont simples, elles mobilisent des agents pendant de longues heures, au détriment de projets plus stratégiques comme les logements collectifs, les infrastructures ou les sites commerciaux.

L’enjeu n’est donc pas de remplacer les urbanistes, mais de réduire les tâches répétitives. Les outils développés autour de Google Cloud visent à accélérer la lecture, le classement et la synthèse des dossiers, avec un objectif annoncé : réduire de moitié certains délais de décision.

Extract transforme les archives PDF en données exploitables

Le premier outil déployé à grande échelle s’appelle Extract. Il a été conçu par le ministère britannique du Logement, des Communautés et des Collectivités locales avec l’équipe publique spécialisée en IA appliquée, l’Incubator for AI.

Extract utilise des modèles Gemini pour convertir des documents anciens et peu structurés en jeux de données numériques. Concrètement, l’outil peut analyser des centaines de pages de dossiers historiques et en extraire, en quelques minutes, des informations exploitables par les agents.

Après des essais menés auprès de plus de 20 autorités locales, Extract doit désormais être accessible à l’ensemble des conseils en Angleterre. Les premiers retours opérationnels indiquent un gain estimé à 255 heures de saisie manuelle par conseil et par an.

Ce gain de temps peut être réaffecté à des tâches à plus forte valeur ajoutée : examen de projets complexes, dialogue avec les habitants, analyse réglementaire approfondie ou coordination entre services. Pour les collectivités locales, l’automatisation devient ainsi un levier d’efficacité plutôt qu’un simple outil technologique.

APD, un assistant d’analyse pour les décisions d’urbanisme

Le second projet, Augmented Planning Decisions, ou APD, va plus loin. Il ne se limite pas à extraire des données : il aide les agents à organiser l’analyse d’un dossier et à préparer les bases d’un rapport.

L’outil agit comme un assistant administratif et analytique. Il est conçu pour aider les agents à traiter les dossiers standards plus vite, sans leur retirer la responsabilité finale. Ses fonctions principales couvrent plusieurs étapes du processus :

• regrouper les documents entrants et signaler les pièces manquantes ;
• extraire les données géographiques essentielles d’un site ;
• identifier les règles nationales et locales pertinentes ;
• résumer les lettres de consultation et objections publiques ;
• rédiger une première version du rapport d’évaluation.

Cette approche peut réduire la friction liée aux recherches documentaires. L’agent dispose d’une interface plus claire, d’un premier tri et de références réglementaires à vérifier. Le modèle peut aussi proposer une formulation initiale des motifs techniques ou des conditions d’approbation.

Le point central reste toutefois la supervision humaine. Les agents d’urbanisme conservent l’autorité sur chaque décision. Le système ne valide ni ne rejette automatiquement une demande : il produit une aide à l’instruction, que les professionnels relisent, corrigent et complètent.

Sécurité, traçabilité et souveraineté des données

L’intégration de grands modèles de langage dans l’administration publique soulève des questions sensibles. Les conseils locaux manipulent des informations civiques, foncières et parfois personnelles. Le traitement de ces données impose donc un cadre technique robuste.

Le choix d’héberger les modèles Gemini sur une infrastructure cloud sécurisée répond à cet impératif. L’environnement doit garantir la protection des données, limiter les risques d’exposition et intégrer des contrôles contre les usages malveillants, notamment les attaques par injection de prompts.

La traçabilité constitue un autre pilier. Le prototype APD enregistre les étapes de traitement internes afin de créer une piste d’audit. Cette logique permet de vérifier comment une synthèse ou une recommandation a été générée, puis d’appuyer la décision finale de l’agent.

Dans le secteur public, cette exigence est essentielle. Une IA administrative ne peut pas fonctionner comme une boîte noire. Elle doit fournir des éléments compréhensibles, contrôlables et compatibles avec les obligations réglementaires. C’est aussi ce qui conditionne la confiance des citoyens dans des outils utilisés pour des décisions ayant un impact concret sur leur logement ou leur quartier.

Des tests locaux avant un déploiement national

Le prototype APD est testé dans trois territoires : le borough londonien de Barnet, le Dorset Council et le borough londonien de Camden. Ce choix permet de confronter le système à des contextes variés, avec des politiques locales, des volumes de dossiers et des réalités territoriales différentes.

Le développement associe des équipes publiques et plusieurs partenaires techniques, dont Google Cloud, Google DeepMind et Faculty. Les ministères fixent les règles, les limites statutaires et les priorités administratives, tandis que les équipes d’ingénierie conçoivent les architectures et les modèles nécessaires.

Selon le calendrier annoncé, la phase alpha doit ouvrir la voie à un déploiement auprès de plus de 300 autorités locales anglaises d’ici 2027. Une telle montée en charge nécessitera une infrastructure capable d’absorber de nombreuses requêtes simultanées, en particulier lors des périodes de forte activité.

Le cas britannique montre comment l’IA générative peut moderniser un processus public très documenté, sans automatiser la décision politique ou réglementaire elle-même. Cette nuance est importante : l’outil accélère l’analyse, mais la responsabilité reste institutionnelle et humaine.

Conclusion

L’IA générative Google Cloud appliquée à l’urbanisme illustre une évolution majeure des services publics : l’automatisation des tâches documentaires lourdes pour libérer du temps d’expertise. Extract et APD répondent à un problème concret, celui des retards administratifs dans l’instruction des demandes.

Si les tests confirment les gains attendus, ces outils pourraient devenir un modèle pour d’autres administrations confrontées aux mêmes défis : volumes massifs de documents, contraintes réglementaires strictes et besoin de décisions plus rapides. La réussite dépendra toutefois de trois conditions : sécurité des données, transparence des traitements et maintien d’un contrôle humain effectif.