IA vérifiable dans la gestion des participations publiques
Comment un système de decision intelligence on-premise transforme des indicateurs réels de participations en rapports auditables, en un système d’alerte précoce déterministe et en scénarios de décision robustes — sans inventer un seul chiffre.
Par Leonardo Bornhäußer (Fondateur, Creativate Technologies GmbH) en coauteur avec Assoc. Prof. Dr. Tuna Çakar · juillet 2026 · lecture ~10 min
- Des textes de rapport automatisés et auditables par société — à base de règles et via un modèle de langage local, tous deux sans chiffre inventé.
- Une analyse honnête de maturité des données et d’alerte précoce qui montre ce qui peut sérieusement être affirmé à la profondeur actuelle — et ce qui ne le peut pas.
- Une couche de scénarios et de simulation pilotée par hypothèses (best/base/worst + Monte-Carlo) qui résout proprement le problème de prévision sur un historique court.
Principe directeur constant : aucun enrichissement des chiffres réels, aucune valeur inventée, chaque chiffre traçable à sa source, tout en local.
Contexte & base de données
La base était un portefeuille communal de participations avec cinq sociétés de secteurs différents. Tous les indicateurs ont été livrés masqués et traités à 100 % en local — aucune fuite de données, aucun cloud.
| Élément | Contenu |
|---|---|
| Client | Portefeuille de participations d’une commune allemande (rapport de participation, §123a GO) |
| Sociétés (5) | gGmbH culture/musée · mbH de développement de projets · service public municipal · gGmbH culture/exposition · GmbH de facility services (anonymisé) |
| Indicateurs (8 clés) | Amortissements · total du bilan · capitaux propres · résultat net · coût matières · coût du personnel · chiffre d’affaires · dettes |
| Traitement | 100 % local, aucune fuite ; cellule vide = n/a, jamais un chiffre |
Méthode — trois axes de travail
Le PoC sépare proprement ce qui découle arithmétiquement des données client de ce qu’un modèle de langage en formule. La logique métier n’appartient jamais au modèle.
Textes de rapport à base de règles — présentables aujourd’hui
À partir des indicateurs, un extrait de rapport de participation est produit par société, bilingue. Au cœur : une classification de variance à cinq niveaux par KPI et des hypothèses de cause curées — explicitement marquées comme hypothèses à valider, jamais comme faits.
Machine learning avec verrou anti-hallucination — 5/5 validé
Cette couche n’enrichit rien. Un modèle de langage local (via Ollama, hors ligne) rédige les rapports sous une architecture anti-hallucination stricte : allow-list de tokens numériques, schéma JSON, temperature = 0, repli déterministe. Résultat : les 5 rapports ont réussi — 0 repli, 0 affirmation non étayée.
Analytique honnête, alerte précoce, scénarios
La réponse scientifiquement honnête aux cas d’usage « rapport » et « alerte/prévision » — un système d’alerte précoce déterministe sur des KPI réels plus des scénarios pilotés par hypothèses.
Couche d’intelligence — aujourd’hui, sur des chiffres réels
- Analyse multivariée transversale sur les cinq sociétés — valide même sur une série courte, car elle varie entre sociétés plutôt que dans le temps.
- Système d’alerte précoce déterministe sur des KPI réels : liquidité de 1er degré sous le seuil, résultat net négatif, chiffre d’affaires > 5 % sous le plan — chaque signal porte les chiffres réels déclencheurs.
- Scénario & simulation : une prévision statistique demande 18–36 périodes ; seuls deux points annuels existaient — nous ne prévoyons donc pas. À la place : un calcul conditionnel (best/base/worst + Monte-Carlo) sous hypothèses ouvertement déclarées.
Vérifiabilité — ce qui vaut aujourd’hui, et ce qui ne vaut pas
La vérifiabilité, c’est aussi nommer les limites. Cette délimitation fait partie du produit.
- Textes de rapport auditables à partir de données réelles (live)
- Le modèle local rédige sans inventer de chiffres (5/5 validé)
- Système d’alerte précoce déterministe sur des KPI réels
- Scénarios/Monte-Carlo comme calcul conditionnel sous hypothèses
- Architecture : local, RGPD, RBAC, traçable à la source
- Une précision de prévision précise sur un historique court
- Des seuils d’alerte à partir de deux points comme « calibrés »
- Des chiffres pilotes d’autres projets comme promesse 1:1
- La sortie de scénario comme une prévision
- L’enrichissement des vrais KPI avec des données tierces
Intelligence future — le pipeline de prévision ML
Le chemin vers la prévision statistique n’est pas une promesse mais un critère d’extension piloté par les données. Dès que la profondeur des données le permet, la même architecture active un vrai pipeline de prévision ML.
Une prévision statistique sérieuse devient possible à partir de ≥ 8 ans de données annuelles ou ≥ 20 trimestres par indicateur — objectivement vérifiable, et le pont vers une demande de données concrète au client.
| Étape | Méthode | Sortie (artefact) |
|---|---|---|
| Prévision | Modèle de séries temporelles sur ≥ 8 ans, avec intervalle conforme | Prévision + bande d’incertitude |
| Facteurs | XGBoost + attribution SHAP | Facteurs explicables par indicateur |
| Alerte | Seuils calibrés sur l’historique interne | Signal avec chiffres réels |
| Décision | Scénario + recommandation, l’humain décide | Note de décision, étayée |
Tous les artefacts restent traçables à la source et reproductibles de façon déterministe ; le modèle de langage formule, mais ne calcule jamais.
Preuve de qualité & conformité
- Aucune fabrication : un notebook de validation recalcule chaque chiffre en pandas pur (concordance à 1e-12).
- Tests : cœur déterministe + scénario/marché = 41 tests au vert.
- Local uniquement : aucune fuite, modèle local via Ollama, cache limité aux valeurs macro publiques.
- Explicabilité : deterministic-first — le modèle est une pure couche de formulation au-dessus de faits pré-calculés (règlement IA, art. 12/13).
Voyez-le sur vos données.
Un test court dans votre environnement — réponses et rapports étayés, on-prem. Nous montrons le PoC sur vos propres indicateurs.
Réserver une démo →Base de données : indicateurs de participation réels et masqués d’une commune allemande, traités exclusivement en local. Client et sociétés anonymisés. Creativate Technologies GmbH · Frankfurt am Main.
Lire le livre blanc complet
Vos coordonnées en bref — puis lisez le livre blanc complet et téléchargez-le en PDF.