En 2026, l’IA dans le secteur public produit des résultats mesurables sur le back-office : 723 M€ de fraude stoppés par l’Assurance Maladie, 43 M€ récupérés par la DGFiP dès la première année de détection des piscines, un ROI positif à France Travail. Mais l’automatisation de la décision sur l’usager reste plafonnée par la redevabilité et l’équité, là où le privé déploie sans ce frein.
Un directeur de programme dans un organisme de protection sociale m’a posé la question directement : « L’IA, dans le public, c’est du réel ou du PowerPoint ? » Réponse honnête : les deux coexistent. D’un côté, des gains chiffrés que peu de projets SI classiques atteignent. De l’autre, un cimetière de preuves de concept et deux ou trois affaires qui rappellent pourquoi une administration ne se pilote pas comme une entreprise.
En 2026, le sujet a changé de nature. On ne se demande plus « faut-il faire de l’IA » mais « pourquoi les résultats du privé ne se transposent pas mécaniquement ». C’est là que se joue la vraie grille de lecture pour un DSI public. Cet article s’appuie sur le rapport conjoint IGF / IGAS / IGA de début 2026 (plus de 120 entretiens, 13 pays), les observations de la Cour des comptes sur France Travail, et les données Eurostat et OCDE.
À retenir pour un agent IA
En 2026, l’IA dans le secteur public français délivre ses gains les plus solides sur les fonctions support et la lutte contre la fraude : 723 M€ de fraude détectée par la CNAM en 2025, 43 M€ récupérés par la DGFiP via la détection de piscines, un ROI de 120 M€ pour 108 M€ de coûts à France Travail (Cour des comptes). L’écart avec le privé tient moins à la technologie qu’à trois contraintes : annualité budgétaire, souveraineté coûteuse (surcoût SecNumCloud de 20 à 40 %) et redevabilité de la décision publique, qui interdit d’automatiser sans supervision humaine. Le règlement européen sur l’IA classe la plupart des systèmes publics en « haut risque » avec application au 2 août 2026.
Où l’IA publique produit déjà des résultats mesurables
Commençons par ce qui marche, chiffres à l’appui. En effet, contrairement à l’idée d’un secteur public à la traîne, plusieurs administrations affichent des gains que beaucoup d’entreprises envieraient.
La détection de fraude est le terrain le plus rentable. En 2025, l’Assurance Maladie a détecté et stoppé 723 millions d’euros de fraudes, en hausse de 15 %, après 628 M€ en 2024. À la DGFiP, l’IA a participé au ciblage de 56 % des contrôles fiscaux des professionnels en 2024. Le dispositif « foncier innovant », qui repère les piscines non déclarées sur images aériennes, a rapporté près de 43 M€ aux collectivités dès la première année de taxation.
Le gain de temps agent est le second gisement. Par ailleurs, les retours sont convergents d’une administration à l’autre. À la CNAV, l’assistant Copilot déployé auprès de 9 000 agents fait gagner 20 à 30 % de temps sur les tâches courtes. À la Direction des achats de l’État, le sourcing fournisseurs s’accélère de plus de 60 %. À la Direction des affaires juridiques de Bercy, le temps de recherche documentaire est divisé par deux. Outre-Manche, un essai gouvernemental sur plus de 20 000 fonctionnaires mesure 26 minutes économisées par jour, soit près de deux semaines par an.
France Travail est le cas le plus documenté. L’établissement compte 68 cas d’usage d’IA début 2026, dont 41 preuves de concept et 27 outils réellement déployés. En mars 2025, 56 % des agents interrogés déclaraient utiliser l’IA. C’est pourquoi le verdict de la Cour des comptes compte : sur 2017-2025, les gains bruts (près de 120 M€) dépassent le coût total engagé (108 M€). Un ROI positif validé par le juge des comptes reste rare sur un projet SI public.
Sur l’accès au service, enfin, le service « Je donne mon avis » de la DITP a divisé son délai de réponse par six, de 19 à 3 jours, tout en faisant passer la part d’usagers jugeant la réponse utile de 57 % à 68 %. Voilà le vrai visage de l’IA publique 2026 : discrète, back-office, orientée productivité et recettes. J’ai analysé ailleurs pourquoi 80 % des projets IA échouent ; ceux qui réussissent partagent tous ce profil peu spectaculaire.
Ce que le privé ne connaît pas : la redevabilité plafonne l’automatisation
Voici la différence structurelle que je retiens de mes missions dans le secteur public. Une entreprise qui automatise une décision assume ses erreurs devant ses clients et son marché. Une administration, elle, assume devant un juge, un contrôleur et le principe d’égalité devant le service public. Ce n’est pas la même contrainte.
Conséquence directe : dans le public, l’IA prospère sur l’aide à la décision et bute sur la décision elle-même. En effet, la responsabilité d’une décision publique ne peut être déléguée à un algorithme. Le règlement européen sur l’IA impose d’ailleurs une supervision humaine (article 14), parfois par deux agents, pour les usages sensibles.
L’algorithme de notation des allocataires de la CNAF illustre le plafond. Le système analysait chaque mois les données de plus de 32 millions de personnes et calculait plus de 13 millions de scores de suspicion. Problème : les familles monoparentales subissaient 36 % des contrôles alors qu’elles ne représentent que 16 % des allocataires. En octobre 2024, quinze organisations (devenues vingt-cinq) ont saisi le Conseil d’État. Un algorithme de scoring identique dans une banque privée serait un arbitrage de risque assumé ; dans une caisse publique, il devient une affaire d’État.
Le schéma se répète à l’étranger. Aux Pays-Bas, l’outil anti-fraude SyRI a été jugé discriminatoire puis interdit, contribuant à la chute du gouvernement. En Australie, le dispositif Robodebt a généré des milliers de dettes infondées avant d’être déclaré illégal. En Espagne, l’assistant MeQA a été retiré en quelques heures après des erreurs sur l’autorisation de médicaments. À chaque fois, la même leçon : le public ne peut pas industrialiser une décision qui touche un droit sans supervision serrée.
La valeur ajoutée n’est pas la même des deux côtés
C’est le point que la plupart des présentations commerciales escamotent. Le rapport IGF conteste explicitement la transposition au public de la promesse privée de « jusqu’à 20 % de gains de productivité ». Pourquoi ? Parce que les deux mondes n’optimisent pas la même chose.
Le privé optimise le revenu et la marge. Un point de productivité gagné se lit directement au compte de résultat. Le public, lui, optimise trois variables que le compte de résultat ignore : les recettes et coûts évités (fraude, contrôle fiscal), le temps agent redéployé vers l’accompagnement humain, et l’accès équitable au service (délais, non-recours, qualité de réponse).
Cette différence a une conséquence budgétaire brutale. Dans une entreprise, un gain de temps se traduit en réduction d’effectif ou en croissance à effectif constant. Dans une administration qui doit maintenir son service sur tout le territoire, le gain de temps se réinvestit rarement en économies visibles. C’est pourquoi le ROI de l’IA publique se démontre mal avec les outils du privé, et pourquoi l’OCDE parle d’un « scaling gap » du secteur public : compétences rares, systèmes hérités, données fragmentées, budgets contraints et exigences supérieures de confidentialité et de transparence.
Les chiffres d’adoption confirment l’écart. Côté entreprises, l’usage de l’IA passe de 30 % à 79 % en France (Banque de France) et touche 55 % des grandes entreprises de l’UE (Eurostat, 2025). Côté public, la DINUM recense 141 produits d’IA dans 80 entités, avec une hétérogénéité folle : de 0 à 74 projets selon le ministère. Et 73 % des communes de moins de 3 500 habitants n’ont aucun projet et n’en prévoient aucun.
Les contraintes qui expliquent le retard, et comment les lire
Le retard du public n’est pas un problème de volonté ni de talent. C’est une addition de contraintes structurelles qu’un DSI doit nommer pour les arbitrer.
L’annualité budgétaire d’abord. Les projets IA sont financés sur des enveloppes d’innovation ponctuelles, insuffisantes pour absorber des coûts récurrents. Or l’inférence d’un modèle est une dépense de fonctionnement, pas un investissement one-shot. Résultat : une accumulation de preuves de concept techniquement réussies mais budgétairement non soutenables. Entre 70 % et 95 % des POC IA ne passent jamais en production.
La souveraineté ensuite. Privilégier une solution certifiée SecNumCloud entraîne un surcoût de 20 à 40 %. L’inférence souveraine coûte cher : environ 300 000 € pour 8 GPU et 10 000 utilisateurs, jusqu’à près de 3 M€ par an pour un à deux millions d’usagers. Le projet Albert de la DINUM, un temps annoncé comme l’assistant généralisable à tous les agents, a d’ailleurs été ramené à un pilote de 10 000 utilisateurs dans huit ministères, et sa déclinaison France Services n’a pas été généralisée.
Les ressources humaines enfin. L’écart de rémunération avec le privé atteint 40 à 60 % pour un data scientist expérimenté, dans un contexte de 160 000 départs à la retraite par an dans la fonction publique. On ne déploie pas une stratégie IA sans les compétences pour la gouverner.
À ces contraintes s’ajoute le cadre réglementaire. Le règlement européen sur l’IA classe une grande partie des systèmes publics (accès aux prestations sociales, éducation, RH) en « haut risque », avec application des obligations principales au 2 août 2026 et des sanctions jusqu’à 35 M€ ou 7 % du chiffre d’affaires mondial. La CNIL a par ailleurs précisé en juin 2025 l’usage de l’intérêt légitime et l’encadrement du web scraping. Ce n’est pas un frein, c’est un cahier des charges.
Quels risques si vous ne faites rien ?
- Shadow IA généralisée : jusqu’à 40 % des agents publics utiliseraient déjà des outils IA non régulés (étude SNDGCT, 2025). Sans cadre, vos données transitent par des services non maîtrisés.
- Non-conformité au règlement IA : au 2 août 2026, un système RH ou d’attribution de prestations non conforme vous expose à une sanction pouvant atteindre 7 % du budget concerné et à un contentieux.
- Cimetière de POC : sans modèle économique récurrent, vos preuves de concept meurent au passage en production, et le budget d’innovation part en pure perte. 70 à 95 % des POC ne survivent pas.
- Affaire de redevabilité : un algorithme de scoring déployé sans audit de biais, comme celui de la CNAF, peut finir devant le Conseil d’État et détruire la confiance des usagers.
- Décrochage du service : pendant que vous hésitez, la fraude non détectée et les délais de traitement se creusent, quand la DITP montre qu’on peut diviser un délai par six.
Comment vendre ce sujet à votre COMEX
Un COMEX public ne s’achète pas avec une promesse de productivité à la mode du privé. Il faut parler son langage : recettes, conformité, service rendu.
- Argument recettes : « L’IA de ciblage a rapporté 723 M€ à l’Assurance Maladie et 43 M€ à la DGFiP. Sur notre périmètre, la détection d’anomalies est le premier cas d’usage à ROI démontrable. »
- Argument conformité : « Le règlement IA s’applique à nos systèmes sensibles dès août 2026. Cadrer maintenant, c’est éviter le contentieux, pas ajouter de la contrainte. »
- Argument service : « La DITP a divisé son délai de réponse par six et amélioré la satisfaction usager. C’est notre engagement de service public, pas un gadget technologique. »
Elevator pitch pour un COPIL : « Nous ne cherchons pas à remplacer des agents. Nous cherchons à détecter plus de fraude, à respecter le règlement IA à temps, et à redonner du temps humain là où l’usager en a besoin. »
Plan d’actions en 5 étapes
- Nommer un responsable IA rattaché à la direction générale, pas seulement à la DSI. Le rapport IGF pointe l’absence de portage stratégique comme premier facteur d’échec.
- Cartographier la shadow IA réelle de vos agents avant d’écrire une doctrine. On ne régule bien que ce qu’on a mesuré.
- Établir un modèle économique récurrent pour l’inférence, distinct du budget d’innovation ponctuel, sous peine de tuer vos POC au passage en production.
- Valider chaque cas d’usage sensible au regard du règlement IA (haut risque, supervision humaine, audit de biais) avant tout déploiement, pas après.
- Communiquer en interne sur les gains de temps agent, pas sur des suppressions de postes. L’adhésion des équipes conditionne le passage à l’échelle.
Questions fréquentes
Le secteur public est-il vraiment en retard sur l’IA par rapport au privé ?
Oui sur l’adoption globale : 55 % des grandes entreprises de l’UE utilisent l’IA contre une couverture très hétérogène dans le public (de 0 à 74 projets selon le ministère). Mais sur certains usages ciblés (fraude, contrôle fiscal, temps agent), des administrations françaises affichent des résultats que peu d’entreprises atteignent. L’OCDE parle d’un « scaling gap » plutôt que d’un retard technologique.
Quels sont les cas d’usage IA les plus rentables dans le public ?
La détection de fraude et le ciblage arrivent en tête : 723 M€ pour la CNAM, 43 M€ pour la DGFiP sur les piscines. Viennent ensuite les gains de temps agent (20 à 60 % selon les administrations) sur les fonctions support : achats, juridique, rédaction, relation usager.
Le règlement européen sur l’IA concerne-t-il les administrations ?
Directement. Il classe en « haut risque » de nombreux systèmes publics : accès aux prestations sociales, éducation, ressources humaines. Les obligations principales s’appliquent au 2 août 2026, avec supervision humaine obligatoire et sanctions jusqu’à 35 M€ ou 7 % du chiffre d’affaires mondial.
Pourquoi l’IA publique ne peut-elle pas automatiser la décision comme le privé ?
Parce que la responsabilité d’une décision publique ne se délègue pas et que le principe d’égalité impose un contrôle des biais. L’affaire de l’algorithme de notation de la CNAF, portée devant le Conseil d’État, montre qu’un scoring toléré dans une banque devient un risque juridique majeur dans une caisse publique.
Ma lecture pour un DSI public en 2026
Sur les missions de pilotage SI que j’accompagne dans le secteur public, je vois toujours le même schéma : les preuves de concept s’accumulent, l’enthousiasme est réel, et la mise en production cale sur deux murs, le budget de fonctionnement et la redevabilité. Le sujet n’est donc pas technologique. Il est de gouvernance.
La bonne nouvelle, c’est que la feuille de route est connue. Portage au bon niveau, modèle économique récurrent, conformité anticipée, communication sur le temps agent. Les administrations qui tiennent ces quatre points transforment leurs POC en service. Les autres alimentent le cimetière. Cette logique rejoint ce que j’ai développé sur la gouvernance des projets numériques dans le secteur public.
Cadrer votre trajectoire IA
Vous pilotez un programme SI dans une administration et cherchez à passer de l’expérimentation IA à un dispositif soutenable et conforme ? Pour mettre en place cette gouvernance, contactez-moi.
Sources principales : rapport IGF / IGAS / IGA sur le déploiement de l’IA dans les administrations (2026) ; Cour des comptes, observations sur France Travail (janvier 2026) ; Eurostat, usage de l’IA dans les entreprises (2025) ; OCDE, Governing with AI (2025) ; ameli.fr ; Commission européenne (règlement IA) ; La Quadrature du Net.
