Une IA pour suivre les stratégies, programmes et projets nationaux

En réunion de suivi, un responsable demande : « Quels projets contribuent à l’amélioration de l’accès au numérique, quels résultats ont été obtenus et quels objectifs restent à atteindre ? » Un assistant d’intelligence artificielle consulte des stratégies, des programmes, des rapports et des tableaux d’indicateurs. Quelques secondes plus tard, il présente une synthèse.

La réponse paraît impressionnante. Pourtant, un projet qui mentionne l’accès au numérique contribue-t-il nécessairement à l’objectif considéré ? Un budget annoncé correspond-il à une dépense exécutée ? Une activité réalisée constitue-t-elle déjà un résultat pour les populations ?

Pour répondre correctement, l’assistant doit comprendre la manière dont les politiques publiques sont organisées et suivies. C’est un travail de connaissances, bien au-delà de la lecture automatique des documents.

Le décideur ne cherche pas seulement une liste de projets. Il veut comprendre les liens entre les ambitions nationales, les programmes mis en œuvre, les activités réalisées, les indicateurs de suivi et les changements observés.

Il doit pouvoir distinguer ce qui est prévu, engagé, réalisé et évalué. Il doit également savoir quelle institution porte chaque action, à quelle période se rapporte un chiffre et sur quelle source repose une affirmation.

Un bon assistant devrait parfois répondre : « Ce projet est rattaché à l’objectif, mais les informations disponibles ne permettent pas encore de mesurer sa contribution effective. » Une telle prudence est plus utile qu’une conclusion flatteuse mais infondée.

Les connaissances nécessaires se trouvent dans des stratégies nationales, des lettres de politique sectorielle, des plans d’action, des fiches projets, des rapports d’exécution, des évaluations et des tableaux statistiques. Ces documents ne sont pas toujours publiés dans les mêmes formats ni au même moment.

Une stratégie peut être révisée. Un programme peut changer de périmètre. Un rapport peut présenter des données provisoires, tandis qu’un autre contient des résultats validés.

L’ingénierie documentaire permet d’inventorier ces ressources, d’en préserver la provenance, d’identifier les versions et de distinguer les documents de programmation des preuves d’exécution.

Ce travail est essentiel : une IA qui confond un projet annoncé avec un projet achevé peut produire un tableau de bord convaincant mais trompeur.

Une politique publique relie généralement plusieurs niveaux : objectifs de développement, orientations stratégiques, mesures, programmes, projets, activités, produits et résultats. Mais ces relations ne sont pas toujours écrites de façon uniforme dans les documents.

L’ingénierie des connaissances aide à formaliser ces objets et les règles permettant de les distinguer. Par exemple, une formation organisée est une activité ; le nombre de personnes formées est un produit mesurable ; l’amélioration durable de leurs compétences est un résultat qui demande d’autres preuves.

Les planificateurs et évaluateurs doivent valider ces distinctions. Un modèle de langage peut suggérer des liens, mais il ne doit pas transformer automatiquement une intention stratégique en résultat démontré.

Une même action peut apparaître sous plusieurs intitulés dans des documents différents. Un indicateur peut être associé à un objectif général, à un programme ou à un projet particulier. Deux institutions peuvent employer le mot « couverture » sans mesurer exactement la même réalité.

L’ingénierie ontologique et sémantique permet d’organiser les concepts et les relations : « contribue à », « est financé par », « est mis en œuvre par », « est mesuré par » ou « dépend de ». Elle aide aussi à préciser la signification des indicateurs et leurs unités.

Ces relations peuvent être conservées dans des tableaux structurés ou des référentiels plus élaborés. Une ontologie formelle n’est pas obligatoire dans tous les cas ; ce qui importe est la cohérence et la traçabilité des liens.

Sans correspondances explicites, l’assistant peut repérer des mots semblables, mais il ne peut pas garantir que les objets rapprochés représentent réellement la même chose.

Imaginons un programme fictif visant à améliorer l’accès des établissements scolaires à Internet. Il prévoit de connecter 200 écoles. Un rapport indique que 120 sites ont été équipés, mais que seuls 95 disposent d’un service effectivement opérationnel à la date du bilan.

Un assistant peu rigoureux pourrait annoncer que 120 écoles sont connectées et conclure que 60 % de la cible est atteinte. Pourtant, si l’indicateur officiel mesure les établissements disposant d’un accès fonctionnel, la valeur pertinente serait 95 sur 200, soit 47,5 % — sous réserve que les définitions et périodes soient comparables.

Il faut donc distinguer l’équipement installé, le service opérationnel et l’usage réel. Ces catégories correspondent à des connaissances de suivi-évaluation qu’il faut définir avant de calculer.

Les chiffres sont purement illustratifs : ils ne décrivent aucun programme réel en Côte d’Ivoire.

Les planificateurs définissent les objectifs, les programmes et leurs articulations. Les spécialistes du suivi-évaluation précisent les résultats attendus et les preuves nécessaires. Les statisticiens documentent les indicateurs, les unités et les méthodes de calcul.

Les documentalistes qualifient les stratégies et les rapports. Les ingénieurs des connaissances formalisent les objets et les règles de lecture. Les spécialistes sémantiques organisent les correspondances entre référentiels. Les développeurs et ingénieurs IA rendent ces ressources interrogeables.

Il n’est pas nécessaire de créer un poste distinct pour chaque fonction. L’essentiel est que les responsabilités de production, de validation et d’actualisation soient clairement attribuées.

L’assistant doit être testé sur des situations fréquentes : projets renommés, indicateurs modifiés, cibles révisées, données manquantes, résultats provisoires et contributions seulement supposées.

Il devrait pouvoir présenter les sources de ses affirmations et distinguer les liens documentés des interprétations. Lorsqu’une contribution ne peut pas être quantifiée, il doit l’indiquer.

La qualité ne se mesure donc pas uniquement au nombre de documents analysés ou à la beauté du tableau de bord. Elle dépend de la justesse des relations, des calculs et des qualifications utilisées.

Une fois structurés, les référentiels d’objectifs, de programmes, de projets et d’indicateurs peuvent alimenter plusieurs outils : tableaux de bord, recherches documentaires, préparation de notes, suivi des engagements et analyses transversales.

Le même patrimoine peut être réutilisé par différentes équipes, à condition de maîtriser les droits, les versions et les responsabilités. Cette organisation réduit certaines duplications et peut améliorer la cohérence des restitutions.

Elle ne remplace ni les systèmes de gestion des projets ni les processus officiels de validation des résultats. Elle fournit une couche de connaissances qui facilite leur articulation.

Un pays peut disposer de stratégies ambitieuses, de programmes nombreux et de rapports détaillés sans que leurs relations soient immédiatement exploitables par une application d’intelligence artificielle.

Pour produire une vision cohérente, il faut savoir qualifier les documents, formaliser les objets de planification, relier les projets aux objectifs et vérifier la signification des indicateurs.

Ces activités mobilisent des compétences qui ne sont pas toujours reconnues comme des compétences IA. Elles constituent pourtant une composante importante de la capacité à construire des services intelligents utiles au pilotage public.

Une IA peut parcourir des milliers de pages et repérer rapidement les projets associés à un thème. Mais pour expliquer ce qui a été réalisé et quels résultats ont été obtenus, elle doit disposer de relations explicites et de preuves vérifiables.

Derrière un assistant de suivi des politiques publiques crédible, il y a donc des planificateurs, des évaluateurs, des statisticiens, des documentalistes et des ingénieurs des connaissances. Leur travail invisible permet de passer d’une synthèse de documents à une analyse plus rigoureuse de l’action publique.