Le leadership en IA dans le secteur public fait face à un écart croissant entre perception et réalité

Google News a mis en avant une discussion de GovTech sur le leadership en IA, mais ce titre révèle un conflit qui dépasse largement un cycle médiatique. Les dirigeants publics décrivent de plus en plus l’IA comme opérationnelle, tandis que les citoyens et les employés continuent de se demander si les systèmes déployés méritent leur confiance.

Cet écart n’est pas qu’un problème de communication. Les administrations peuvent lancer des projets pilotes, nommer des responsables de l’IA et publier des politiques sans démontrer que les systèmes améliorent équitablement les services. Le public expérimente l’IA à travers des bénéfices tardifs, des décisions peu claires, des préoccupations en matière de vie privée et des défaillances occasionnelles.

Le véritable enjeu n’oppose donc pas l’enthousiasme des administrations à la résistance du public. Il oppose l’ambition institutionnelle aux preuves opérationnelles. Google News peut amplifier cette ambition, mais les administrations doivent fournir ces preuves au moyen de résultats mesurables, de contrôles transparents et d’un leadership responsable.

Les entreprises privées peuvent retirer un produit défaillant ou en modifier les conditions. Les organismes publics sont soumis à une norme différente, car les habitants ne peuvent souvent pas choisir un autre service fiscal, système de prestations ou organisme de délivrance de licences. Un déploiement gouvernemental raté peut affecter des droits, des paiements, des dossiers et l’accès à des services essentiels.

Cette distinction redéfinit le leadership. Les dirigeants du secteur public ne peuvent pas mesurer les progrès par la seule adoption. Ils doivent relier chaque système d’IA à un problème de service clairement défini, à un responsable identifié, à des garde-fous documentés et à un plan de retrait.

Ce que le titre de Google News a réellement changé

Le titre a transformé un débat familier sur l’adoption de l’IA en un test de responsabilité des dirigeants.

La discussion de GovTech est arrivée à un moment où les programmes publics d’IA dépassaient les expérimentations isolées. Les administrations subissent désormais la pression de coordonner les achats, les contrôles des données, la formation des employés et la communication auprès du public à l’échelle de l’ensemble de leurs organisations.

Le changement ne se résume pas au lancement d’un seul produit. Il réside dans l’attente croissante selon laquelle les dirigeants publics savent distinguer une automatisation utile de démonstrations impressionnantes. Cette distinction devient plus difficile à mesure que l’IA générative s’intègre aux outils bureautiques courants et aux plateformes des fournisseurs.

L’IA générative produit du texte, des images, du code ou d’autres contenus à partir de modèles appris durant l’entraînement. Elle peut accélérer la rédaction et la recherche, mais un résultat fluide ne garantit pas son exactitude ni sa conformité au droit.

L’IA agentique ajoute une couche supplémentaire. Un agent d’IA est un logiciel capable de planifier des étapes et d’exécuter des actions vers un objectif avec une intervention humaine limitée. Donner à ces systèmes l’accès à des dossiers ou à des flux de travail accroît à la fois leur valeur et leurs conséquences potentielles.

Les dirigeants publics doivent désormais décider où s’arrête l’assistance et où commence l’autorité déléguée. Un assistant de rédaction présente un profil de risque. Un système qui recommande des décisions d’éligibilité, hiérarchise des enquêtes ou déclenche des transactions en présente un autre.

Cette distinction peut facilement se perdre dans les rapports destinés aux dirigeants. Un tableau de bord peut compter les outils actifs sans distinguer une synthèse à faible risque d’une aide à la décision aux conséquences importantes. Dix projets pilotes peuvent ainsi créer une impression de maturité tout en révélant peu de choses sur la préparation opérationnelle.

La visibilité offerte par Google News peut intensifier cet effet. Les titres agrégés favorisent les affirmations concises sur le leadership, l’accélération et la transformation. Ils montrent rarement le travail plus lent lié aux inventaires de données, aux procédures de recours, aux tests d’accessibilité ou aux clauses de marché.

Rien de tout cela ne rend le titre trompeur. Cela rend l’expression « diriger en matière d’IA » incomplète tant que les lecteurs ne demandent pas ce que l’organisation peut exploiter en toute sécurité. Le leadership commence par le choix d’usages appropriés, non par l’accumulation du plus grand nombre de projets pilotes.

Les administrations les plus crédibles commencent par des problèmes circonscrits. Le personnel peut utiliser l’IA pour résumer de longs documents internes, organiser les commentaires du public ou retrouver des informations approuvées. Les humains demeurent responsables de l’examen des résultats et des décisions ayant des conséquences importantes.

Ces usages peuvent néanmoins échouer. Un résumé peut omettre une exception cruciale, tandis qu’un logiciel de recherche peut faire ressortir une politique obsolète. Un périmètre limité facilite l’identification, la mesure et la correction de ces défaillances avant qu’elles n’affectent les habitants.

C’est le premier renversement du récit. L’administration ayant moins de déploiements peut être plus avancée si ses systèmes disposent de contrôles plus solides et de preuves plus claires. Le volume signale l’activité, tandis que des opérations rigoureuses signalent la capacité.

L’optimisme du public s’arrête là où commence la responsabilité

Les citoyens sont plus réceptifs à l’efficacité de l’IA qu’aux promesses gouvernementales d’équité, de protection de la vie privée et de supervision.

Les recherches de l’OCDE sur la confiance en 2026 apportent les preuves les plus claires de cette fracture. Son enquête a couvert 33 pays participants et cinq pays candidats à l’adhésion, à partir de réponses recueillies en 2025.

Plus de quatre répondants sur dix estimaient que l’IA pouvait aider les gouvernements à améliorer les services ou à réduire les coûts. La confiance était plus faible concernant l’équité, la transparence, la protection de la vie privée et une supervision humaine réelle, selon l’enquête de l’OCDE sur la confiance.

Ce schéma est important, car il distingue la croyance dans la technologie de la confiance envers l’institution qui la déploie. Les habitants peuvent espérer un service plus rapide tout en se méfiant de la manière dont une administration obtient cette rapidité.

L’OCDE a constaté que les perceptions de la régulation des technologies émergentes entretenaient une relation particulièrement forte avec les attitudes envers l’IA du secteur public. Cette constatation ne prouve pas que la régulation crée automatiquement la confiance. Elle montre que la conduite institutionnelle façonne la manière dont les citoyens interprètent les systèmes techniques.

Les dirigeants publics répondent souvent au scepticisme par des campagnes d’information. De meilleures explications peuvent aider, en particulier lorsque les habitants ont peu d’expérience directe d’un système. La communication ne peut toutefois pas remplacer des dossiers accessibles, des tests indépendants ou une véritable voie de recours.

Une personne à qui une prestation est refusée a besoin de plus qu’une assurance selon laquelle l’IA est généralement utile. Elle doit savoir si l’automatisation a influencé la décision, quelles informations ont été intégrées au processus et comment contester une erreur.

La supervision humaine exige également davantage que la simple présence d’un employé près d’un système. La personne chargée de l’examen doit disposer du temps, de l’autorité, du contexte et d’une compréhension technique suffisante pour rejeter la recommandation. Sinon, l’humain devient un point de contrôle cérémoniel.

Le biais d’automatisation désigne la tendance à accepter une recommandation générée par ordinateur, même lorsque des éléments contradictoires existent. Une charge de travail élevée peut renforcer cette tendance, car approuver une recommandation est souvent plus rapide que l’examiner.

Cela crée un problème de leadership difficile. Les administrations peuvent introduire l’IA pour soulager des employés surchargés, mais ces mêmes charges de travail peuvent affaiblir les contrôles d’examen conçus pour éviter les préjudices. L’efficacité et la supervision ne peuvent pas être planifiées séparément.

La confiance se développe aussi de manière inégale selon les services. Les habitants peuvent apprécier un chatbot qui explique les horaires d’ouverture. Ils exigeront légitimement davantage de preuves de la part d’un logiciel qui influence la protection de l’enfance, la police, la fiscalité, les services de santé ou les décisions relatives à l’emploi.

Les dirigeants ont donc besoin de catégories de risque qui reflètent les conséquences plutôt que la nouveauté technique. Un modèle statistique familier peut causer davantage de préjudices qu’un nouveau chatbot s’il façonne une décision aux conséquences importantes.

L’OCDE a également signalé que la familiarité avec l’IA était associée à des attentes plus positives. Cela ne justifie pas de considérer les habitants sceptiques comme mal informés. La familiarité peut améliorer la compréhension, tandis qu’une expérience personnelle de systèmes injustes peut susciter une prudence éclairée.

C’est pourquoi le cadre perception contre réalité fonctionne dans les deux sens. Les craintes du public peuvent dépasser le risque démontré d’un outil limité. L’optimisme des dirigeants peut également dépasser les preuves à l’appui d’un déploiement à grande échelle.

Un bon leadership ne choisit pas une perception comme étant la bonne. Il crée un processus qui confronte les deux points de vue aux performances documentées, à l’expérience des utilisateurs et aux incidents réels.

La pression repose sur les CIO et les dirigeants d’organismes publics

Les responsables des technologies publiques doivent transformer un vaste enthousiasme pour l’IA en décisions capables de résister à l’examen opérationnel, juridique et public.

La pression immédiate s’exerce sur les directeurs des systèmes d’information, les directeurs des données, les dirigeants d’organismes publics, les équipes chargées des achats et les responsables de programmes. Chaque groupe contrôle une partie du système, mais les habitants en subissent le résultat combiné.

Une responsabilité fragmentée crée des lacunes prévisibles. Une équipe technologique peut valider les performances d’un système tandis qu’un bureau de programme définit le mauvais indicateur de réussite. Le personnel chargé des achats peut obtenir des conditions favorables sans garantir un accès suffisant aux audits.

La main-d’œuvre a également sa propre perspective. Les employés rencontrent souvent des résultats peu fiables, des politiques confuses et des frictions dans les flux de travail avant que les dirigeants ne les constatent. Ils peuvent cesser discrètement d’utiliser un outil approuvé ou adopter une solution non approuvée.

Les recherches sur les employés du secteur public ont montré que le soutien à l’IA était associé aux bénéfices perçus, à la familiarité et aux croyances concernant les effets à long terme. L’étude a également souligné l’importance de la formation et de la participation des employés pour une adoption durable, comme l’explique sa recherche en administration publique.

La formation ne peut pas se limiter à une présentation ponctuelle sur les données interdites. Les employés ont besoin d’exemples liés à leur travail, notamment sur ce que le système traite bien et les situations dans lesquelles une escalade est nécessaire.

Ils doivent également pouvoir signaler des problèmes sans être qualifiés de résistants au changement. Si les dirigeants récompensent les chiffres d’adoption, les responsables peuvent se sentir poussés à dissimuler l’abandon, les contournements ou les résultats insuffisants.

La réponse imposée est organisationnelle plutôt que technique. Chaque système déployé a besoin d’un responsable exécutif, d’un responsable opérationnel, d’un responsable des données et d’une voie permettant aux personnes concernées de demander un examen.

Ces rôles doivent rester visibles après la passation du marché. Les fournisseurs peuvent soutenir les tests et le suivi, mais une administration ne peut pas externaliser la responsabilité d’une décision publique.

La Géorgie offre un modèle actuel de réponse fondée d’abord sur les fondations. L’État a annoncé un partenariat avec Darwin AI afin de créer une vision à l’échelle de l’État des usages de l’IA et d’établir une infrastructure de gouvernance commune.

Le plan vise à fournir un espace partagé pour la gestion des politiques, la conformité, les dossiers et la supervision dans l’ensemble des départements. Les garde-fous de la Géorgie montrent comment les dirigeants tentent de traiter l’adoption fragmentée avant de la déployer à plus grande échelle.

Toutefois, une visibilité centralisée constitue un point de départ, et non la preuve de performances sûres. Un inventaire peut révéler où se trouvent les systèmes, mais il ne démontre pas que leurs résultats sont exacts ou équitables.

Les administrations ont besoin à la fois de règles centrales et d’expertise locale. Un bureau à l’échelle de l’État peut établir des exigences, tandis que les spécialistes des programmes évaluent les conséquences dans les prestations, les transports, les services correctionnels ou la santé publique.

La gestion des connaissances devient partie intégrante de cette infrastructure. Les politiques, évaluations, dossiers d’incidents et cas d’usage approuvés doivent rester consultables et à jour. Une base de connaissances consultable peut aider les équipes à retracer les décisions sans dépendre de fichiers éparpillés.

L’objectif n’est pas d’intégrer l’IA à chaque processus. Il est de mettre les connaissances institutionnelles à la disposition des personnes qui examinent les systèmes et servent les habitants.

Cette pression se poursuivra pendant des années, car les technologies gouvernementales évoluent plus lentement que les offres des fournisseurs. Les systèmes hérités, les cycles de contractualisation, les lois sur les archives et les contraintes de personnel ne disparaissent pas lorsqu’un nouveau modèle arrive sur le marché.

Les cycles produits courts se heurtent donc aux longues obligations publiques. Les dirigeants ont besoin de conceptions capables de supporter les changements de fournisseurs, les mises à jour de modèles, le renouvellement du personnel et de nouvelles exigences juridiques.

La véritable fracture oppose le déploiement aux preuves

Un système d’IA devient crédible lorsqu’une administration peut montrer ce qu’il fait, comment il échoue et qui reste responsable.

L’adversaire central de cette histoire n’est pas l’opposition entre les pouvoirs publics et les entreprises technologiques. C’est l’écart entre la promesse d’un déploiement visible et la réalité d’une valeur publique mesurable.

L’annonce d’un pilote décrit une intention. Les preuves opérationnelles décrivent des résultats en conditions normales, y compris dans les cas difficiles et durant les périodes de forte demande.

Les administrations devraient établir une référence avant d’introduire l’automatisation. Si les dirigeants ne mesurent pas les délais de traitement actuels, les taux d’erreur, l’effort des employés, les recours et la satisfaction des usagers, les futures affirmations d’amélioration manquent de contexte.

La rapidité seule ne suffit pas. Un système peut raccourcir le traitement initial tout en générant davantage de corrections, de plaintes ou d’escalades. Ces coûts en aval doivent faire partie de la même évaluation.

La qualité nécessite également des définitions propres à chaque service. Dans un flux de travail, l’exactitude peut signifier des résumés fidèles. Dans un autre, elle peut exiger l’identification de chaque exception juridiquement pertinente dans le dossier d’un habitant.

La valeur publique inclut la répartition des bénéfices. Une amélioration moyenne peut masquer de moins bons résultats pour les personnes handicapées, celles ayant une maîtrise limitée de l’anglais, des dossiers atypiques ou un accès numérique peu fiable.

Les dirigeants devraient publier suffisamment d’informations pour que les habitants comprennent le système, sans exposer de détails de sécurité sensibles. Une divulgation utile indique la finalité, le bureau responsable, les catégories de données, le processus d’examen et les limites connues.

Le gouvernement fédéral dispose déjà de cadres que les administrations peuvent adapter. Le Government Accountability Office des États-Unis organise la responsabilité en matière d’IA autour de la gouvernance, des données, des performances et du suivi.

Ces catégories relient la responsabilité des dirigeants à la pratique opérationnelle. La gouvernance définit l’autorité, le travail sur les données examine les entrées, les tests de performance évaluent le comportement et le suivi vérifie si les conditions changent après le déploiement.

Le cadre de responsabilité du GAO traite également la supervision comme une responsabilité continue. C’est important, car un système qui fonctionne de manière acceptable pendant un pilote peut dériver après l’évolution des flux de travail, des utilisateurs ou des données.

Le suivi devrait couvrir davantage que la disponibilité technique. Les administrations ont besoin de données sur les tendances des plaintes, les taux de dérogation, les résultats des recours, les rapports d’incident et les écarts entre les groupes concernés.

Les données de dérogation méritent une interprétation prudente. Un faible taux peut signifier que le système fonctionne bien. Il peut aussi indiquer que les employés n’ont ni le temps, ni l’autorité, ni la confiance nécessaires pour le contester.

Un taux élevé peut révéler un modèle faible, mais aussi montrer que l’examen humain fonctionne. Les dirigeants ont besoin d’une évaluation qualitative en complément du chiffre.

Les modalités de passation des marchés déterminent si ces preuves restent accessibles. Les contrats devraient traiter de l’accès aux évaluations, des changements de modèle, de la journalisation, de la conservation des données, des sous-traitants, de la notification des incidents et de l’assistance à la résiliation.

La conception propriétaire d’un fournisseur ne supprime pas le devoir de l’administration d’expliquer les décisions publiques. Si une administration ne peut pas obtenir assez d’informations pour évaluer un système aux conséquences importantes, cette limite devrait influencer la passation de marché.

Ce principe devient plus important avec les modèles fondamentaux, qui sont des modèles généralistes adaptés à de nombreuses tâches. Leurs larges capacités peuvent inciter les administrations à utiliser un même service dans des flux de travail aux risques très différents.

Une mise à jour de modèle peut également modifier le comportement des résultats sans mise à jour logicielle traditionnelle. Les administrations devraient savoir quand des changements importants se produisent et si les évaluations précédentes restent applicables.

Le seuil de preuve devrait augmenter avec le préjudice potentiel. La rédaction d’un résumé de réunion interne nécessite des contrôles, mais ne mérite pas le même niveau d’examen que la recommandation de cibles de contrôle.

Les dirigeants devraient aussi définir les limites d’échec avant le lancement. Ils ont besoin de conditions claires pour suspendre un système, revenir au processus précédent et avertir les utilisateurs concernés.

Cette discipline opérationnelle produit rarement le titre Google News le plus attractif. Elle détermine si l’affirmation de leadership résiste après que l’attention du public s’est portée ailleurs.

Les garde-fous doivent fonctionner au sein du flux de travail

La gouvernance réussit lorsque les garanties influencent les décisions quotidiennes, et non lorsqu’elles n’existent que dans des documents de politique.

De nombreuses organisations disposent désormais de principes relatifs à l’IA. Moins nombreuses sont celles qui peuvent montrer comment ces principes modifient une décision d’achat, empêchent un usage dangereux ou résolvent un problème signalé.

Le NIST AI Risk Management Framework fournit une structure pratique à travers quatre fonctions liées : gouverner, cartographier, mesurer et gérer. Il considère la gouvernance comme une composante continue du cycle de vie du système.

Le cadre d’IA du NIST est volontaire et conçu pour les organisations de tous les secteurs. Sa valeur réside dans le lien qu’il établit entre les choix des dirigeants, les tests, la documentation et le traitement des risques.

« Gouverner » établit les responsabilités et les attentes de l’organisation. « Cartographier » situe le système dans son contexte d’utilisation réel. « Mesurer » évalue les risques et les performances, tandis que « gérer » priorise les réponses et surveille les résultats.

Les administrations peuvent traduire ces fonctions en étapes de validation du flux de travail. Un cas d’usage proposé ne devrait pas passer à la passation de marché avant que le personnel ait documenté sa finalité, les usagers concernés, les besoins en données, les alternatives et les préjudices potentiels.

Les tests devraient refléter les conditions réelles d’exploitation. Un chatbot entraîné sur des exemples propres peut avoir des difficultés avec les fautes d’orthographe, les questions incomplètes, les demandes multilingues ou les politiques comportant des exceptions.

Les tests de sécurité comptent également, car l’IA générative introduit de nouvelles voies d’attaque. L’injection de prompt se produit lorsqu’un contenu malveillant ou non fiable tente de rediriger le comportement d’un modèle.

Un assistant destiné au public peut récupérer du texte depuis des documents administratifs ou des sources externes. Si le système traite des instructions cachées comme des commandes fiables, un attaquant peut manipuler sa réponse.

Les dirigeants n’ont pas besoin de devenir ingénieurs en modèles. Ils ont besoin d’une maîtrise technique suffisante pour demander si les tests ont couvert les usages abusifs probables, l’exposition de données sensibles et la reprise après défaillance.

Les experts métier restent indispensables, car les tests techniques ne peuvent pas déterminer si une réponse satisfait à une obligation juridique ou reflète la politique de service réelle.

Le personnel de première ligne devrait participer avant que les exigences ne soient fixées. Il sait où les dossiers sont incomplets, où surviennent les exceptions et quels raccourcis créent des problèmes ultérieurs.

Les habitants et les groupes de défense peuvent identifier des risques que les équipes internes négligent. Leur participation devient particulièrement importante lorsqu’un système affecte des groupes vulnérables ou modifie l’accès à un service.

Les garde-fous nécessitent aussi une application effective. Un inventaire sans intégration aux achats permet à de nouveaux systèmes d’entrer par des achats départementaux ou des fonctionnalités logicielles intégrées.

Les listes de produits approuvés ne suffisent pas, car le risque dépend de l’usage. Le même outil peut être acceptable pour une séance d’idéation et inacceptable pour le traitement de dossiers confidentiels.

Les dirigeants devraient donc autoriser les cas d’usage, et non seulement les produits. L’autorisation devrait décrire les données permises, l’examen requis, le suivi et les actions interdites.

L’IA de l’ombre reste un défi concret. Les employés peuvent se tourner vers des outils grand public lorsque les systèmes approuvés sont lents, indisponibles ou mal adaptés à leur travail.

La sanction seule ne résoudra pas ce problème. Les administrations ont besoin d’alternatives utilisables, de règles claires et de canaux de retour d’expérience révélant pourquoi le personnel contourne les processus approuvés.

Le point de vue sceptique mérite d’être souligné ici. L’adoption d’un cadre ne prouve pas qu’un système est digne de confiance. Une évaluation bien présentée peut encore reposer sur des tests faibles ou des hypothèses optimistes.

Un examen indépendant peut réduire ce risque, en particulier pour les usages aux conséquences importantes. Les administrations devraient séparer l’équipe qui cherche à déployer un système des personnes autorisées à contester ses preuves.

Les rapports de transparence peuvent aussi devenir performatifs s’ils énumèrent les systèmes sans indiquer leurs résultats. Un rapport utile devrait montrer si les déploiements ont atteint les objectifs de service et ce qui a changé après les incidents.

Le test de réalité est simple. Un garde-fou n’a d’importance que s’il peut retarder un lancement, restreindre un cas d’usage, exiger un travail correctif ou arrêter un système.

Trois signaux montreront si le leadership en IA est réel

La prochaine étape sera déterminée par les preuves, le comportement du personnel et les voies de recours du public, plutôt que par le nombre d’annonces.

Le premier signal est la qualité des inventaires publics d’IA et des rapports d’impact. Les administrations devraient aller au-delà des listes d’outils pour décrire la finalité, la responsabilité, les risques, les performances et les droits d’examen.

Si les inventaires commencent à relier les déploiements à des résultats de service mesurables, l’affirmation de leadership devient plus solide. S’ils restent des catalogues promotionnels, l’écart de perception se creusera.

Les lecteurs devraient rechercher des références de départ et des comparaisons après déploiement. Les mesures utiles comprennent les délais de traitement, les erreurs corrigées, les recours, la charge de travail des employés, la satisfaction des usagers et les résultats en matière d’accessibilité.

Le deuxième signal est de savoir si les travailleurs utilisent les systèmes approuvés de manière cohérente et les contestent lorsque nécessaire. Une adoption sans examen éclairé suggère un biais d’automatisation, tandis qu’un évitement généralisé suggère une mauvaise adéquation ou une faible confiance.

Les administrations peuvent examiner l’achèvement des formations, l’utilisation active, les problèmes signalés et les tendances de dérogation. Elles devraient associer ces chiffres à des entretiens, car les comportements peuvent avoir plusieurs explications.

Un programme sain rend le désaccord visible. Les employés devraient savoir quand ils doivent vérifier un résultat et comment signaler les défaillances sans mettre en péril leurs évaluations de performance.

Le troisième signal est de savoir si les habitants reçoivent une information et des voies de recours significatives. Les personnes devraient pouvoir reconnaître quand l’IA a influencé de manière substantielle un service et joindre un examinateur humain qualifié.

L’information doit être rédigée en langage clair. Une déclaration générique indiquant qu’une administration « utilise des analyses avancées » n’explique pas si l’automatisation a affecté un cas individuel.

Le recours doit aussi produire une action. Un formulaire de contact qui renvoie les utilisateurs vers le même processus automatisé ne fournit pas d’examen humain.

Ces trois signaux se renforcent mutuellement. De meilleurs inventaires aident les employés à comprendre les usages approuvés. Des travailleurs informés produisent de meilleurs dossiers d’incident, tandis que des voies de recours efficaces révèlent des défaillances que les tests internes n’avaient pas détectées.

Ils offrent également aux journalistes et aux chercheurs un récit plus utile. Google News peut alors mettre en avant des preuves sur les résultats, et non seulement des affirmations sur la dynamique.

L’IA du secteur public n’a pas besoin d’une approbation universelle avant de pouvoir aider. Elle a besoin de garanties proportionnées, de responsabilités visibles et d’une volonté d’arrêter les systèmes qui ne remplissent pas leur objectif déclaré.

Le défi du leadership est donc moins spectaculaire que le suggère le titre, mais plus exigeant dans la pratique. Il implique de fixer des limites, de financer l’évaluation, d’écouter le personnel et de préserver des alternatives humaines.

Les développeurs devraient se demander si les systèmes exposent suffisamment d’informations pour permettre un examen significatif. Les acheteurs en entreprise devraient se demander si les contrats préservent l’accès à l’audit et le contrôle opérationnel.

Les travailleurs du savoir devraient se demander où les contenus générés sont versés dans les archives officielles et qui les vérifie. Les habitants devraient se demander si une recommandation automatisée peut être expliquée et faire l’objet d’un recours.

Le prochain cycle d’actualité de Google News apportera un nouveau modèle, partenariat ou programme à l’échelle d’un État. Avant d’y voir du leadership, cherchez les preuves qui le sous-tendent.

Posez trois questions : qu’est-ce qui s’est amélioré, qui l’a vérifié, et que se passe-t-il lorsque le système se trompe ? Si une administration peut répondre aux trois, la perception et la réalité finissent enfin par se rapprocher.