Administration publique

Contexte & situation

Les administrations publiques préparent des décisions à partir de documents hétérogènes : données budgétaires, rapports d'experts, avis, prescriptions légales. Il en résulte des notes de décision qui doivent être portées politiquement et contrôlées juridiquement.

Les exigences de transparence et de traçabilité augmentent — droits d'accès à l'information, attention publique et EU AI Act, qui impose journalisation (art. 12) et transparence (art. 13) pour les systèmes préparant des décisions. En même temps, les ressources restent rares. L'administration a besoin d'outils qui apportent de la vitesse sans renoncer à la vérifiabilité.

Le problème

Les notes de décision sont construites à partir de documents dispersés et hétérogènes fusionnés à la main. Dans ce processus, le lien entre une affirmation et sa source se perd souvent — la justification n'est en fin de compte pas traçable jusqu'à la source.

L'IA générative aggrave le problème au lieu de le résoudre : un modèle qui « formule » des notes peut inventer des chiffres et des affirmations sans preuve. Dans un acte administratif qui doit résister au contrôle juridique, c'est inacceptable.

Points de défaillance concrets

• Les notes de décision s'appuient sur des documents dispersés et hétérogènes.
• La justification n'est souvent pas traçable jusqu'à la source.
• Les exigences de transparence augmentent, pas les ressources.
• La formulation générative peut glisser des affirmations non étayées.

La chaîne causale

Du dossier dispersé à la décision contestable se déroule une chaîne claire :

1. 1
   Documents dispersés et hétérogènessont fusionnés manuellement en une note
2. 2
   Fusion manuellesépare l'affirmation de sa source
3. 3
   Lien à la source manquantrend la justification non traçable
4. 4
   Justification non traçableconduit à des décisions contestables

Comment cNode résout

cNode lit les sources pertinentes de façon déterministe et les relie dans le graphe de connaissances — rien n'est ressaisi, rien interprété librement. Chaque indicateur reste relié sans ambiguïté à une source et à une période.

Les indicateurs nécessaires à la décision sont dérivés de façon déterministe et fondée sur des règles, non devinés. Via une graine fixe, la dérivation est reproductible : le même dossier produit de façon démontrable le même résultat.

La justification suit le chemin de calcul et conserve une piste d'audit par donnée. Chaque affirmation de la note peut ainsi être retracée jusqu'à sa source — base de la transparence envers le conseil et le public.

Le modèle de langage formule la note dans un langage administratif lisible mais n'invente ni chiffres ni justifications. Le système fonctionne à Francfort ou entièrement on-prem, de sorte que les données sensibles ne quittent pas les lieux.

Le processus déterministe

1. Lire les sources pertinentes de façon déterministe et les relier dans le graphe.
2. Dérivation fondée sur des règles et reproductible des indicateurs via une graine.
3. Justification le long du chemin de calcul, avec piste d'audit par donnée.
4. Traitement à Francfort ou entièrement on-prem.
5. Note formulée par le LLM ; les chiffres viennent du moteur.

Le résultat

Le résultat : des notes de décision qui résistent au contrôle et une vraie transparence envers le conseil et le public : chaque affirmation est étayée, chaque dérivation reproductible. L'administration gagne en vitesse sans renoncer à la traçabilité — avec une pleine souveraineté des données par hébergement UE ou exploitation on-prem.

Méthodologie & vérifiabilité

Méthodologiquement, la note repose sur une dérivation déterministe et fondée sur des règles à partir de sources reliées, non sur une génération de texte libre. La piste d'audit par donnée et la reproductibilité via une graine fixe rendent chaque affirmation vérifiable — condition d'un acte administratif qui résiste au contrôle juridique.

La journalisation se rattache aux art. 12/13 de l'EU AI Act ; le traitement a lieu à Francfort ou entièrement on-prem jusqu'à air-gapped, en sous-traitance selon l'art. 28 du RGPD. Les données clients ne servent pas à l'entraînement et le système est agnostique au modèle.