IA et urbanisme : PlanAssist accélère l’instruction
IA et urbanisme : PlanAssist réduit jusqu’à 58 % le temps d’analyse des demandes courantes. Résultats, limites et conditions d’un déploiement fiable.
Comment l'IA peut accélérer l'instruction des demandes d'urbanisme
Une demande de véranda ou d'extension peut immobiliser un service d'urbanisme pendant des semaines, même quand le dossier paraît « classique ». Le retard ne vient pas uniquement d'une décision difficile : il faut aussi vérifier les pièces, repérer les règles applicables, puis rédiger une analyse suffisamment claire pour être examinée et discutée. Et comme ces vérifications reviennent sans cesse, elles pèsent sur des équipes déjà sollicitées.
Au Royaume-Uni, PlanAssist, un outil d'intelligence artificielle développé avec Google DeepMind et des partenaires publics, a été testé pour aider des agents chargés des demandes des particuliers. Les premiers résultats communiqués sont impressionnants : jusqu'à 58 % de temps d'évaluation économisé, et plus de 70 % des rapports acceptés sans modification. Mais attention : un pilote n'est pas une promesse générale, et ce n'est pas une décision automatisée.
Ce cas permet de regarder, concrètement, ce que l'IA peut apporter à un service public : quelles étapes elle couvre, comment on interprète ses sorties, et quelles garanties deviennent indispensables quand on passe des tests à l'instruction de dossiers réels. Et le sujet intéresse aussi les collectivités françaises, même si les règles et les procédures ne sont pas celles de l'Angleterre.
Pourquoi les demandes courantes pèsent-elles autant sur les services d'urbanisme ?
Les demandes liées à une maison individuelle - extension, aménagement de combles ou véranda, par exemple - peuvent sembler simples. En pratique, l'agent doit quand même vérifier que le dossier contient ce qu'il faut, confronter le projet aux règles applicables et tenir compte des contraintes locales. Il doit ensuite expliquer l'analyse pour que le dossier puisse être relu, discuté et, le cas échéant, contesté.
D'après les informations communiquées sur PlanAssist, ces demandes représenteraient jusqu'à 70 % de la charge de travail des agents concernés. Cela ne veut pas dire que 70 % des dossiers sont identiques ou « faciles ». Cela traduit surtout l'accumulation de tâches récurrentes, souvent bien balisées, qui prennent du temps au quotidien.
Le coût caché des vérifications répétitives
Une pièce manquante peut bloquer l'avancement. Une règle de protection patrimoniale, une contrainte liée à un arbre, ou une observation remontée par un riverain peut aussi changer l'analyse. Même quand l'issue est plutôt prévisible, l'agent doit retrouver l'information pertinente, la raccorder à une règle et laisser des traces dans son évaluation.
Pris séparément, ces contrôles semblent modestes. Répétés à l'échelle d'un service, ils grignotent du temps : temps qui pourrait être consacré aux dossiers plus complexes, aux échanges avec les demandeurs, ou à la qualité de l'explication. C'est là que l'IA peut avoir un intérêt pratique : gagner du temps sur le travail préparatoire, sans prétendre que la décision elle-même devient mécanique.
Pourquoi les retards dépassent le cadre administratif
Quand l'instruction prend trop de temps, les particuliers attendent avant de lancer leurs travaux. Les collectivités et le secteur du bâtiment en subissent aussi les effets. Au Royaume-Uni, le gouvernement a relié l'amélioration des procédures à un objectif de construire 1,5 million de logements d'ici 2029. Cela ne correspond pas exactement à la mission de PlanAssist, qui se concentre sur les demandes des particuliers.
Pour les collectivités françaises, la transposition ne se fait pas « au mot près » : les règles d'urbanisme, les systèmes d'information et l'organisation des services diffèrent. Mais le cœur du problème reste le même. Quand une part importante du temps est consacrée à compiler et retrouver de l'information, la capacité de traitement dépend autant de l'organisation du travail que du nombre de dossiers.
Que signifient les résultats du pilote ?
Le pilote a été mené dans les collectivités de Barnet, Camden et Dorset. Les résultats communiqués indiquent une baisse de 58 % du temps moyen consacré, par un agent, à l'évaluation d'une demande de particulier. Par ailleurs, plus de 70 % des rapports générés auraient été acceptés sans modification par les agents. Ces chiffres sont encourageants, mais il faut garder leur périmètre en tête.
Le 58 % concerne le temps passé par l'agent sur des tâches d'évaluation pendant le pilote. Ce n'est pas forcément une baisse équivalente du délai total entre le dépôt d'une demande et la décision. L'attente dépend aussi d'autres étapes : complétude du dossier, consultations, échanges avec le demandeur, et organisation interne du service. Si on mélange ces indicateurs, on surévalue l'effet de l'outil.
Ce que mesure un rapport accepté sans modification
Le taux de rapports acceptés sans édition dit surtout une chose : ces rapports ont servi directement aux agents qui ont testé. Cela ne prouve pas, à lui seul, que toutes les analyses étaient exactes, ni que les collectivités obtiendront le même résultat, ni que les décisions finales seront meilleures. Un rapport peut être accepté parce qu'il est juste, mais le taux ne permet pas toujours de distinguer une situation où l'outil a bien fonctionné d'une situation où une correction est intervenue ailleurs dans le processus.
Pour juger l'impact au-delà du pilote, il faudrait suivre plusieurs dimensions : qualité des références, nombre d'erreurs repérées, corrections réalisées par les agents, délai complet de traitement, demandes de compléments, et écarts selon les catégories de dossiers. Et ces mesures doivent être comparées à une référence (avant l'outil ou dans un groupe témoin), sinon l'effet de l'IA se confond vite avec d'autres changements.
Les résultats doivent être lus avec leur contexte
Trois collectivités, même « variées », ne couvrent pas toutes les situations possibles. Les règles locales, les habitudes de travail, la qualité des documents et la proportion de dossiers atypiques peuvent faire bouger les résultats. Un outil qui aide bien sur un type de demande peut devenir moins utile dès que le dossier mobilise une contrainte inhabituelle ou demande une interprétation plus délicate.
La bonne conclusion n'est donc ni que l'IA a « résolu » les retards d'urbanisme, ni que ces résultats ne servent à rien. Le pilote donne un signal opérationnel intéressant : certaines tâches préparatoires peuvent être automatisées et libérer du temps. Reste à vérifier si ce gain tient quand l'outil est utilisé plus largement, sur des dossiers variés, avec des méthodes de mesure claires.
Que faut-il vérifier avant un déploiement à grande échelle ?
Après le pilote initial, PlanAssist doit entrer dans une phase bêta de 12 mois sur des demandes réelles. Douze collectivités supplémentaires seraient intégrées en trois groupes, pour arriver à quinze au total. La diversité annoncée - entre territoires métropolitains et districts ruraux - doit permettre d'observer le comportement de l'outil selon les contextes. Le gouvernement britannique indique qu'une mise à disposition à l'ensemble des collectivités anglaises pourrait être envisagée en 2027, si les résultats sont concluants.
Cette montée en charge compte. Une démonstration encadrée ne révèle pas forcément ce qui arrive quand les dossiers se complexifient, quand les pratiques locales changent, ou quand les agents doivent intégrer l'outil à leur routine quotidienne. Le passage à l'échelle doit donc rester une phase d'évaluation, pas un simple déploiement logiciel.
Mesurer la qualité, pas seulement la vitesse
Un tableau de bord utile devrait suivre le temps consacré à chaque étape, mais aussi la qualité des résultats. Quelques indicateurs méritent d'être suivis de près :
- la fréquence des erreurs factuelles ou des références inadaptées ;
- la part des rapports corrigés, et le type de corrections effectuées ;
- les délais complets, du dépôt à la décision, pas uniquement le temps d'analyse ;
- les différences de performance selon les collectivités et selon les types de dossiers ;
- la capacité des agents à expliquer et à contester une recommandation.
Gagner du temps n'a de valeur que si cela ne dégrade ni la régularité du traitement ni la qualité de l'information transmise au demandeur. Il faut aussi surveiller les effets indirects : par exemple, une rédaction plus rapide peut déplacer le goulot d'étranglement vers les consultations ou les échanges avec les usagers.
Organiser la responsabilité et la gouvernance des données
Pour un déploiement français ou européen, la collectivité devrait clarifier qui répond d'une erreur, quelles données peuvent être utilisées, combien de temps elles sont conservées, et quels accès sont accordés aux prestataires. La conformité au RGPD doit être examinée à partir des traitements réellement mis en œuvre : le fait qu'un outil soit « destiné à une administration » ne suffit pas.
Il faut aussi prévoir une traçabilité exploitable : quelles pièces ont été analysées, quelles règles ont été mobilisées, quelle version de l'outil a produit le rapport, et quelles modifications l'agent a apportées. Ces éléments servent à instruire une contestation et à corriger un défaut qui se répète. Sans journalisation et sans possibilité de revenir en arrière, les gains de temps peuvent se transformer en dette opérationnelle.
Préserver une vraie capacité de contrôle humain
Le contrôle humain exige une organisation réelle. Les agents doivent comprendre ce que l'outil fait, connaître ses limites, et disposer d'une procédure simple pour signaler un résultat douteux. Il faut aussi éviter que des objectifs de productivité poussent à valider des rapports sans vérification.
Une revue par échantillonnage peut compléter le contrôle dossier par dossier, mais ne doit pas effacer la responsabilité de l'agent sur la demande qu'il traite.
Concrètement, avant de déployer, une collectivité devrait se poser trois questions : les tâches répétitives sont-elles assez fréquentes pour justifier l'investissement ? Les résultats sont-ils vérifiables et utiles dans le système existant ? Le service peut-il assurer une supervision compétente, même quand l'outil se trompe ? Si l'une de ces réponses est non, l'automatisation risque surtout de déplacer la charge au lieu de la réduire.
Conclusion : automatiser le travail préparatoire, pas la responsabilité
PlanAssist illustre une approche plutôt pragmatique de l'IA dans un service public : cibler des contrôles répétitifs, structurer l'information et produire un rapport préparatoire, tout en laissant la décision à un professionnel. Les premiers chiffres - jusqu'à 58 % de temps d'évaluation économisé et plus de 70 % de rapports acceptés sans retouche - justifient de continuer les essais. En revanche, ils ne suffisent pas à conclure que les délais sont réglés.
La suite consiste à vérifier la qualité et la régularité des résultats sur davantage de dossiers et de territoires, puis à mesurer l'effet sur tout le parcours d'instruction. Pour les collectivités françaises, la leçon est surtout méthodologique : commencer par un processus précis, définir des indicateurs avant tout déploiement, rendre les recommandations auditables et maintenir la capacité des agents à remettre en cause les sorties de l'outil. L'IA est utile quand elle rend le service meilleur sans rendre la responsabilité plus floue.
Comment PlanAssist assiste-t-il les agents ?
PlanAssist a été développé par Google DeepMind en collaboration avec le gouvernement britannique, Google Cloud et Faculty. L'outil, construit avec Gemini, intervient dans le traitement des demandes d'urbanisme pour des projets de particuliers. Son rôle annoncé est d'aider les agents en automatisant certaines vérifications et en préparant des recommandations. L'agent garde la main : l'évaluation et la décision finale restent humaines.
Le processus commence par le contrôle des documents et des plans. L'outil vérifie si les pièces attendues sont présentes et si le dossier peut être examiné. Il prend ensuite en compte des éléments de contexte, notamment les contraintes patrimoniales et les politiques locales et nationales applicables. Il peut aussi intégrer des informations déjà signalées ou des observations formulées par des habitants.
Du contrôle des pièces au rapport préparatoire
À partir de ces éléments, PlanAssist prépare un rapport avec des références aux règles ou aux informations mobilisées. L'agent peut le modifier avant de prendre sa décision. L'intérêt n'est donc pas seulement de « produire du texte » plus vite : c'est aussi d'assembler des éléments de contrôle dans un document que le professionnel peut relire.
Dans un service réel, la distinction compte. Un texte fluide ne veut pas automatiquement dire « bonne analyse ». L'important est de pouvoir retrouver la source de chaque affirmation, vérifier que la règle citée s'applique au dossier et repérer ce qui manque. Le fait que le rapport soit modifiable aide à la relecture, mais ne remplace pas le travail de contrôle.
Une assistance, pas une délégation de décision
Le principe mis en avant est simple : une IA au service du jugement humain. L'outil prend en charge une partie du travail administratif et analytique, tandis que les agents restent décisionnaires. Mais pour que ça fonctionne, il faut que la séparation existe aussi dans la pratique : un agent doit avoir le temps, les compétences et les informations nécessaires pour contester une proposition.
Une validation humaine réduite à un clic n'est pas une garantie suffisante. Si les recommandations sont difficiles à vérifier, ou si le volume pousse à les accepter automatiquement, le rôle humain devient surtout formel. Au final, la qualité du dispositif dépend autant de l'interface et des sources consultables que des règles de contrôle et du modèle d'IA.