Une tension que les institutions vivent de l'intérieur

Les agences et autorités publiques se trouvent dans une position inconfortable face à l'intelligence artificielle.

D'un côté, leurs missions exigent un traitement croissant de données complexes, hétérogènes, volumineuses. Les dossiers d'autorisation de mise sur le marché s'accumulent. Les données de pharmacovigilance prolifèrent. Les corpus de littérature scientifique à dépouiller pour chaque avis sont de plus en plus volumineux.

De l'autre côté, les contraintes qui pèsent sur ces institutions sont parmi les plus exigeantes qui soient : souveraineté des données, sécurité SI au niveau du RGS, impossibilité de confier des données de pétitionnaires à un prestataire cloud non souverain, indépendance de l'expertise scientifique, et — en filigrane — la responsabilité juridique de chaque avis émis.

Résultat : beaucoup d'institutions ont identifié l'IA comme un levier potentiel, et très peu ont trouvé une architecture qui satisfait simultanément les contraintes métier et les contraintes sécuritaires.

30–60 % du temps d'instruction consacré à la recherche documentaire — pas à l'expertise scientifique
100 % des sources citées — traçables au paragraphe source, avec version et date
RGS dossier de sécurité fourni en format compatible homologation SSI

Le problème de la littérature scientifique à l'échelle

Prenons le cas emblématique d'une agence d'évaluation sanitaire qui doit rendre un avis sur une substance.

Le processus d'instruction commence par une revue de la littérature scientifique disponible. PubMed, EFSA, ECHA, EMA, FDA — les sources sont multiples, en plusieurs langues, avec des niveaux de preuve hétérogènes. Les experts chargés de l'instruction passent une part significative de leur temps à trouver les études pertinentes, à évaluer leur qualité méthodologique, à identifier les contradictions entre études, à synthétiser les conclusions.

Ce travail de dépouillement documentaire représente, selon les dossiers, entre 30 et 60 % du temps d'instruction. C'est du temps d'experts scientifiques qualifiés consacré à une tâche de recherche documentaire — pas à l'expertise scientifique proprement dite.

La question n'est pas "est-ce que l'IA peut rendre un avis à la place de l'expert ?" La réponse est non. La question est : "est-ce que l'IA peut réduire le temps que l'expert passe à chercher pour qu'il consacre plus de temps à analyser ?" La réponse à cette deuxième question est oui — sous des conditions architecturales précises.

Ce qui disqualifie le RAG cloud dans un contexte institutionnel

Les solutions RAG disponibles sur le marché (Microsoft Copilot, solutions sectorielles en SaaS) sont disqualifiées pour les institutions publiques pour trois raisons fondamentales.

Raison 1
Transit de données de pétitionnaires. Les dossiers déposés par des pétitionnaires contiennent des données potentiellement confidentielles sur des formules, des procédés, des résultats d'études. Ces données ne peuvent pas transiter vers des serveurs d'un prestataire commercial — les conditions contractuelles des Cloud Act et FISA s'appliquent, même pour des hébergements en Europe.
Raison 2
Indépendance de l'expertise. Un avis scientifique est rendu au nom de l'institution. L'utilisation d'un LLM commercial dans le processus d'instruction soulève des questions sur l'indépendance de l'expertise. La transparence méthodologique exige que le processus soit documenté et reproductible. Un LLM probabiliste ne l'est pas.
Raison 3
Traçabilité des sources. Un avis institutionnel doit pouvoir citer ses sources avec précision : référence bibliographique complète, version du document réglementaire applicable, date de l'information utilisée. Le RAG produit des synthèses sans citation fiable. Le graphe produit des réponses avec citation complète de chaque source.

Le Knowledge Graph comme infrastructure d'expertise institutionnelle

Le Knowledge Graph ontologique dans un contexte institutionnel se positionne non pas comme un outil de décision, mais comme une infrastructure d'accès structuré à la connaissance.

Ce que le graphe fait

  • Indexer la littérature scientifique pertinente (PubMed, bases réglementaires européennes, corpus internes d'avis antérieurs) selon une ontologie métier définie par les experts de l'institution
  • Permettre des requêtes en langage naturel avec citation précise des sources
  • Identifier les contradictions entre études sur un même sujet
  • Croiser les données de pétitionnaires avec les données réglementaires et scientifiques disponibles
  • Retrouver les précédents d'avis antérieurs sur des substances similaires

Ce que le graphe ne fait pas

  • Rendre un avis scientifique
  • Remplacer le jugement de l'expert
  • Produire des conclusions que l'institution n'a pas validées

Cette distinction est fondamentale pour l'acceptabilité interne et pour la communication externe sur l'usage de l'IA dans le processus d'expertise.

L'architecture conforme aux exigences institutionnelles

  1. Souveraineté totale des données. Le graphe est déployé sur l'infrastructure interne de l'institution, ou sur une infrastructure cloud certifiée SecNumCloud (qualification ANSSI garantissant la protection contre le Cloud Act et les accès extraterritoriaux). Aucune donnée de pétitionnaire ne transite vers un prestataire commercial non souverain.
  2. LLM open source, inférence locale. Le LLM utilisé est un modèle open source (Mistral, Llama ou équivalent) déployé en inférence locale. Pas de dépendance à OpenAI, Anthropic, Google ou Microsoft. Le code du modèle est auditable. Son comportement est documenté.
  3. Traçabilité complète des requêtes. Chaque requête posée par un expert, chaque réponse produite par le système, chaque source citée est journalisée avec l'horodatage et l'identifiant utilisateur. Ce journal est consultable par les équipes de sécurité SI et les responsables de la conformité.
  4. Cloisonnement par dossier et niveau de confidentialité. Les données relatives à un dossier de pétitionnaire ne sont accessibles qu'aux experts chargés de l'instruction de ce dossier. Les corpus internes d'avis antérieurs sont accessibles selon une politique d'accès définie par l'institution.
  5. Conformité RGS et PSSI. Le dossier de sécurité du système est fourni dans un format compatible avec le Référentiel Général de Sécurité (RGS) et la Politique de Sécurité des Systèmes d'Information de l'institution, en vue de l'homologation SSI requise.

La coopération européenne comme cas d'usage spécifique

Les agences européennes (EMA, EFSA, ECHA, EASA) et les autorités nationales (ANSM, ANSES, ASN, DGAC) coopèrent régulièrement sur des dossiers transversaux. Cette coopération implique le partage de données, la synthèse de positions nationales, et la construction d'avis communs.

Aujourd'hui, ce travail de synthèse transversale est principalement manuel. Un graphe de connaissance permettrait d'automatiser une partie de ce travail : quels avis ont été rendus par les homologues européens sur cette substance ? Quels sont les points de convergence et de divergence ? Quelles études ont été citées dans les avis des homologues mais pas dans le corpus national ?

Ce cas d'usage implique un niveau de coopération interagences — potentiellement dans un cadre de projet européen — mais il représente une valeur réelle pour les agences engagées dans des processus d'harmonisation réglementaire.

Un cadre de démarrage adapté aux institutions

Les institutions publiques n'ont pas le même cadre de décision que les entreprises privées. Les cycles de validation, les processus d'homologation, les délégations de signature prennent du temps. Nous proposons pour les institutions un partenariat exploratoire structuré en deux temps.

Temps 1 — 4 sem.
Analyse de faisabilité et cadrage. Réunion avec les équipes métier et SI pour identifier un cas d'usage précis, évaluer la compatibilité avec les contraintes SI et sécuritaires, et produire un dossier d'architecture préliminaire. Ce dossier peut être utilisé en interne pour les arbitrages budgétaires et la validation par la direction SI.
Temps 2 — 8 sem.
Prototype sur périmètre délimité. Si le temps 1 est validé, déploiement d'un prototype sur un cas d'usage précis : un type de dossier, un corpus limité, un groupe d'experts pilotes. Le prototype est évalué par les experts métier selon des critères définis — pertinence des réponses, traçabilité des sources, facilité d'usage.

Ce cadre en deux temps permet à l'institution de maîtriser le rythme d'avancement et de disposer, à chaque étape, des éléments décisionnels concrets — dossier d'architecture préliminaire après le temps 1, résultats d'évaluation des experts pilotes après le temps 2 — avant de s'engager dans la suivante.

En conclusion

Les institutions publiques disposent d'une masse d'expertise accumulée — dans leurs avis passés, dans leurs corpus de littérature, dans les dossiers instruits depuis des décennies — qui n'est pas pleinement exploitable avec les outils existants.

Le Knowledge Graph ontologique est l'infrastructure qui permet d'exploiter cette connaissance accumulée sans compromettre la souveraineté des données, sans automatiser les décisions, et sans créer de dépendance technologique vis-à-vis d'acteurs commerciaux non souverains.

C'est une infrastructure d'expertise — pas un outil de décision automatisée.