Les occultations FOIA par l’IA du DHS promettent rapidité, mais risquent d’accentuer le secret

Le DHS prévoit d’utiliser l’IA pour recommander des occultations dans le cadre de 100 000 à 140 000 demandes annuelles d’accès aux documents publics, malgré des preuves limitées de la capacité des machines à rendre des décisions fiables en matière de divulgation. Cette initiative d’occultation FOIA par l’IA du DHS promet des délais de traitement plus courts. Mais elle risque aussi de rendre les rétentions excessives plus rapides, moins coûteuses et plus difficiles à contester pour les demandeurs.

Le Department of Homeland Security affirme que ses employés examineront les recommandations avant que les documents ne quittent l’agence. Cette garantie est importante, car le Freedom of Information Act, ou FOIA, exige une appréciation juridique tenant compte du contexte. Un modèle peut reconnaître des noms ou des numéros d’identification. Il ne peut pas décider seul si la publication d’une discussion sur une politique publique causerait un préjudice juridiquement reconnu.

Il ne s’agit pas d’un affrontement entre la technologie et une bureaucratie fondée sur le papier. Le véritable conflit oppose l’efficacité du traitement à un accès public réel. Les agences fédérales sont confrontées à des volumes de demandes de documents que les examinateurs humains peinent à gérer. Pourtant, le gouvernement n’a pas démontré que les recommandations automatisées favoriseront systématiquement la divulgation lorsque la loi l’autorise.

Cette question revêt un poids inhabituel au DHS. Le département a traité près d’un million de demandes au cours de l’exercice budgétaire 2025, selon des données fédérales citées dans le plan fédéral d’occultation. Seules 2,3 % ont donné lieu à la communication de documents sans occultation. Si l’automatisation influence ne serait-ce qu’une fraction de cette charge de travail, ses hypothèses façonneront ce que les journalistes, chercheurs, avocats et simples citoyens pourront apprendre de l’activité fédérale.

Ce que feront réellement les occultations FOIA par l’IA du DHS

Le changement immédiat n’est pas une censure autonome, mais l’intégration de recommandations automatisées à un processus d’examen juridique à une échelle considérable.

U.S. Customs and Border Protection, une agence relevant du DHS, prévoit d’utiliser des outils d’intelligence artificielle et d’apprentissage automatique de Google lors du traitement des demandes FOIA. Le système identifiera les contenus susceptibles de justifier une rétention et recommandera des occultations aux employés du gouvernement.

Une occultation consiste à retirer une partie d’un document avant sa diffusion, généralement en masquant du texte, des images, de l’audio ou de la vidéo. Les agences y recourent lorsque des informations relèvent d’une exemption FOIA ou qu’une autre loi interdit leur divulgation. Les exemples courants comprennent les données personnelles, les documents classifiés, les informations liées aux enquêtes et certaines délibérations internes.

La description du DHS indique que l’automatisation devrait réduire les délais de traitement. Le département a également affirmé que les membres du personnel examineraient chaque dossier et veilleraient à ce que les demandeurs reçoivent des informations exactes et complètes. Ces déclarations indiquent qu’un humain demeure responsable de la décision finale.

Toutefois, l’ampleur prévue modifie le sens pratique de cet examen. Le DHS compte appliquer l’IA à des catégories de demandes représentant plus de 10 % de ses soumissions. Le département estime cette fourchette entre environ 100 000 et 140 000 demandes.

Examiner une suggestion de machine n’équivaut pas nécessairement à prendre une décision nouvelle. Un employé débordé peut commencer par les passages signalés par le modèle et se concentrer sur leur confirmation. Ce flux de travail peut créer un biais d’automatisation, soit la tendance à accepter la sortie d’un système parce qu’elle paraît systématique ou faisant autorité.

La distinction devient cruciale lorsqu’un modèle va au-delà des informations personnelles évidentes. Détecter un numéro de sécurité sociale suit un schéma relativement stable. Appliquer une exemption à un e-mail sur une politique encore inachevée exige de comprendre l’auteur, l’objectif, le moment, le public visé et le lien du document avec une décision finale.

Le DHS n’a pas établi publiquement à quelle fréquence son système traitera de simples correspondances de motifs plutôt que ces décisions contextuelles. Il n’a pas divulgué de résultats complets sur les performances, de taux d’erreur, de dossiers de tests, d’exemples d’entraînement ou de taux d’annulation des recommandations.

D’autres départements expérimentent également. Le Department of the Interior utiliserait la technologie Microsoft pour localiser les documents susceptibles de relever du secret professionnel entre avocat et client. Le Department of Health and Human Services a décrit un système de preuve de concept destiné à examiner et à occulter de vastes ensembles documentaires. Le Department of Justice affirme que plusieurs de ses composantes utilisent déjà des fonctions de recherche et d’examen automatisés.

Le mouvement dépasse donc un seul déploiement au DHS. Les agences fédérales construisent une couche d’assistance machine entre les documents gouvernementaux et les personnes qui les demandent. Reste à savoir si cette couche aidera les examinateurs à repérer les informations communicables ou les encouragera à en retirer davantage.

Cette incertitude transforme une amélioration opérationnelle en test de la transparence gouvernementale.

Pourquoi les agences fédérales automatisent maintenant la FOIA

L’IA entre dans le traitement FOIA parce que les volumes de demandes et les collections documentaires ont dépassé les systèmes d’examen existants de nombreuses agences.

La FOIA donne au public le droit de demander des documents aux agences de la branche exécutive. Elle ne couvre pas le Congrès, les tribunaux fédéraux ni la plupart des bureaux qui conseillent directement le président. Chaque agence concernée doit localiser les documents répondant à la demande, les examiner, appliquer les exemptions légales éventuelles et communiquer toutes les informations non exemptées raisonnablement séparables.

Le processus ralentit lorsqu’une demande porte sur des milliers d’e-mails, pièces jointes, messages, vidéos, feuilles de calcul et documents numérisés. Les examinateurs doivent repérer les doublons, identifier les éléments pertinents, consulter d’autres bureaux, protéger les secrets légitimes et préserver tout ce qui peut légalement être publié.

Dans l’ensemble du gouvernement fédéral, les agences ont traité un nombre record de 1,6 million de demandes au cours de l’exercice budgétaire 2025. Cela représentait une hausse de 9 % par rapport à l’année précédente, selon les données annuelles FOIA du Department of Justice.

La technologie peut prendre en charge plusieurs aspects mécaniques de cette charge de travail. La reconnaissance optique de caractères convertit les pages numérisées en texte consultable. La déduplication élimine les chaînes d’e-mails répétées. La reconnaissance d’entités repère les noms, numéros de téléphone, adresses et autres motifs récurrents. Les systèmes de classification peuvent prioriser les documents qui semblent pertinents pour une demande.

Ces usages ne présentent pas tous le même risque. Rechercher les documents répondant à une demande peut élargir l’accès si l’alternative est une recherche manuelle incomplète. Masquer automatiquement un texte affecte le contenu même de la publication.

Les responsables fédéraux explorent cette distinction depuis des années. En mai 2026, le Chief FOIA Officers Council, l’Office of Government Information Services des National Archives et le Department of Justice ont organisé le troisième NexGen FOIA Tech Showcase.

La présentation technologique du gouvernement recherchait des outils pour la découverte électronique, le traitement des dossiers, les publications accessibles, les salles de lecture publiques et l’occultation automatisée. Les systèmes proposés couvraient les dossiers papier, les contenus numériques, la vidéo, l’audio et les données structurées.

L’événement faisait suite à des présentations similaires en 2022 et 2024. Il reflétait également une recommandation du comité consultatif fédéral sur la FOIA, qui encourageait les agences à solliciter des informations du secteur sur le traitement assisté par l’IA.

L’adoption reste limitée, mais augmente. La dernière évaluation FOIA des National Archives a constaté que 20,6 % des agences fédérales ayant répondu utilisaient l’IA ou l’apprentissage automatique pour faciliter la recherche ou l’organisation des documents en 2025. Ce chiffre était de 18,6 % lors de l’évaluation précédente.

Le même rapport a relevé que 80 % utilisaient des outils de découverte électronique pour les recherches FOIA, contre 72 % en 2020. Ces chiffres montrent que les agences automatisaient déjà le travail documentaire avant que l’IA générative ne devienne le principal sujet technologique.

Le problème des retards est réel. Un accès tardif peut rendre une information exacte inutile. Un document publié après une élection, un litige, un débat politique ou une urgence publique peut arriver trop tard pour éclairer la responsabilité des institutions.

L’automatisation peut donc servir l’ouverture lorsqu’elle aide le personnel à localiser des documents, à supprimer les doublons ou à identifier des données personnelles manifestement protégées. Un traitement plus rapide n’est pas un avantage vide de sens.

Le danger apparaît lorsque les agences traitent la rapidité comme le principal indicateur de réussite. Une demande clôturée n’est pas nécessairement une demande satisfaite. Une réponse rapide remplie de blocs noirs inutiles peut avoir moins de valeur publique qu’une divulgation plus lente, examinée avec soin.

C’est pourquoi la question centrale de performance ne peut pas être le nombre de pages traitées par le système chaque heure. Elle doit être la quantité d’informations légalement communicables qui parvient au public, avec combien d’erreurs et après quel niveau d’examen humain.

La promesse d’efficacité se heurte à un problème de divulgation

Le même système qui peut accélérer des occultations valides peut aussi amplifier la tendance existante du gouvernement à retenir trop d’informations.

Le DHS a traité 994 992 demandes FOIA au cours de l’exercice budgétaire 2025. Il a communiqué des documents sans occultation dans seulement 2,3 % des dossiers clos. Environ 40 % ont abouti à des communications partiellement occultées.

Les demandes restantes ont été closes pour plusieurs raisons. Certaines ont fait l’objet de refus complets au titre d’exemptions légales. Dans de nombreux cas, le département a indiqué n’avoir trouvé aucun document répondant à la demande. D’autres demandes ont été retirées, renvoyées vers d’autres organismes ou closes pour des raisons procédurales.

Ces catégories ne prouvent pas une mauvaise conduite. Le DHS traite de l’immigration, du contrôle des frontières, de la cybersécurité, de la gestion des urgences, de la sécurité des transports et des opérations de protection. Ses documents contiennent régulièrement des données personnelles et des informations liées aux enquêtes ou à la sécurité nationale.

Pourtant, le point de départ importe. Le DHS n’introduit pas des recommandations automatisées dans un système connu pour des divulgations larges et non occultées. Il les introduit dans un système où les communications intégrales sont déjà rares.

L’IA peut orienter ce système dans un sens comme dans l’autre. Un modèle bien conçu pourrait aider les employés à isoler un nom protégé tout en publiant le reste d’un paragraphe. Cela soutiendrait l’obligation légale de séparer les informations exemptées des éléments que le public peut recevoir.

Un modèle mal calibré pourrait signaler un paragraphe entier parce qu’une phrase ressemble à un langage protégé. Si les employés acceptent la recommandation, le système masquerait le contexte non exempté en même temps que le texte potentiellement sensible.

Les modèles commettent également deux types d’erreurs. Un faux négatif manque une information qui devrait être protégée, risquant d’exposer des données privées ou classifiées. Un faux positif désigne une information légalement communicable pour suppression.

Les incitations gouvernementales ne traitent pas ces erreurs de la même manière. Une divulgation accidentelle peut provoquer immédiatement un incident de sécurité, une plainte liée à la vie privée ou un problème disciplinaire. Une occultation inutile pèse généralement sur le demandeur, qui doit faire appel ou saisir la justice pour la contester.

Ce déséquilibre encourage des paramètres prudents. Un système optimisé pour éviter toute publication accidentelle signalera probablement davantage de contenus. Les examinateurs humains travaillant sous pression pourraient alors approuver ces suggestions, car la rétention paraît institutionnellement plus sûre.

Le résultat peut être un mécanisme à cliquet vers davantage de secret. Chaque recommandation du modèle paraît prudente prise isolément. Sur des centaines de milliers de demandes, l’effet cumulé pourrait retirer de grandes quantités d’informations qu’un examen plus approfondi aurait publiées.

L’automatisation rend aussi la cohérence possible, mais la cohérence n’est pas automatiquement synonyme d’équité. Un modèle peut appliquer une interprétation restrictive du droit à l’ensemble d’une agence. Il peut aussi reproduire des décisions incohérentes issues des dossiers utilisés pour le configurer ou l’entraîner.

Les décisions relevant de la FOIA dépendent souvent de l’histoire institutionnelle. Si les examinateurs précédents ont régulièrement occulté un certain type d’échanges, un système apprenant de leur travail peut présenter cette pratique comme la réponse normale. Le modèle ne sait pas si les décisions antérieures reflétaient une analyse juridique rigoureuse, des directives obsolètes ou une sur-occultation devenue habituelle.

Cela crée une boucle de rétroaction. Les occultations antérieures influencent les recommandations automatisées. Les examinateurs acceptent ces recommandations. Le résultat approuvé devient alors un élément soutenant les futures décisions automatisées.

Le gouvernement ne peut interrompre cette boucle que par une évaluation délibérée. Les agences ont besoin de corpus de test contenant à la fois des éléments exemptés et des éléments communicables. Des examinateurs indépendants devraient mesurer les faux positifs, les faux négatifs et la quantité de texte non exempté perdue autour d’occultations justifiées.

Les données relatives aux dérogations comptent également. Si les employés rejettent presque jamais les suggestions du modèle, le contrôle peut n’être que nominal. Si les examinateurs ajoutent ou retirent fréquemment des occultations, le système ne fait peut-être pas gagner autant de travail que promis.

DHS a indiqué que des humains resteraient impliqués. Il n’a pas encore montré si cette implication sera indépendante, dotée de personnel suffisant, documentée et soumise à des contrôles de qualité. Tant que ces détails ne seront pas publics, l’argument d’efficacité restera incomplet.

L’IA ne peut pas décider d’un préjudice prévisible sur la seule base de motifs

Un modèle peut détecter des schémas linguistiques, mais la FOIA exige que les agences relient chaque décision d’occultation à un préjudice spécifique et raisonnablement prévisible.

Le Congrès a renforcé cette exigence par le FOIA Improvement Act de 2016. Une agence ne peut généralement retenir des informations exemptées que lorsqu’elle prévoit raisonnablement que leur divulgation nuirait à un intérêt protégé par l’exemption. Elle peut également retenir des informations lorsqu’une autre loi en interdit la divulgation.

La norme du préjudice prévisible empêche les agences de traiter chaque exemption techniquement disponible comme une instruction automatique. Un document peut entrer dans les limites d’une exemption sans qu’il existe pour autant une raison substantielle de le garder secret.

Les directives de divulgation du ministère de la Justice invitent les agences à prendre en compte le contexte. Les facteurs pertinents peuvent inclure l’ancienneté d’un dossier, des divulgations officielles antérieures, sa sensibilité et son objet. Les agences devraient consulter des collaborateurs compétents lorsque le préjudice potentiel n’est pas clair.

Ce travail diffère fondamentalement de la détection d’entités. Un modèle peut repérer le nom d’une personne. Il ne peut pas déterminer, à partir du seul nom, si sa divulgation porterait atteinte à la vie privée, identifierait une source confidentielle, révélerait une conduite officielle ou répéterait une information déjà rendue publique.

Le même défi s’applique au privilège du processus délibératif. Cette protection peut couvrir certaines communications antérieures à une décision qui reflètent les consultations de l’agence. Elle ne permet pas à une agence de dissimuler chaque brouillon, recommandation ou e-mail interne.

Des chercheurs ont testé l’apprentissage automatique sur ce problème. Jason R. Baron, Mahmoud F. Sayed et Douglas W. Oard ont rassemblé des documents issus des archives présidentielles de Clinton et entraîné des classificateurs pour identifier des passages potentiellement délibératifs.

Leur étude sur l’apprentissage automatique a conclu que les systèmes étaient les plus performants lorsque l’entraînement et l’évaluation suivaient des interprétations cohérentes des examinateurs. Les performances se dégradaient lorsque les examinateurs, les détenteurs des dossiers ou les sujets changeaient.

Lors d’échanges publics ultérieurs, Baron a décrit les méthodes comme étant précises à environ 70 % pour distinguer les éléments associés au privilège du processus délibératif. Les résultats publiés dans des conditions cohérentes rapportaient des mesures F1 comprises entre 70 et 83 %. Un score F1 combine le nombre de passages pertinents qu’un modèle détecte et la fréquence à laquelle ses classifications positives sont correctes.

Ces résultats sont utiles pour le triage. Ils ne sont pas assez solides pour étayer des décisions juridiques sans supervision. Avec une performance de 70 %, une part importante des passages sera classée incorrectement.

La recherche révèle aussi un problème plus profond. Les examinateurs humains ne s’accordent pas toujours sur le point de savoir si un même passage justifie une occultation. Un système entraîné selon l’interprétation d’un examinateur peut peiner lorsqu’un autre applique le droit différemment.

Ce désaccord n’est pas simplement un bruit technique. Il reflète le caractère contextuel de la FOIA. Les appréciations juridiques dépendent de ce que représente le dossier, de ce que le gouvernement a déjà divulgué et du préjudice concret qui résulterait d’une communication.

DHS a donc besoin de davantage qu’un humain placé à la fin d’une chaîne automatisée. Un examen véritable exige suffisamment de temps, d’autorité et d’informations pour rejeter la recommandation du modèle. L’employé doit aussi vérifier si une occultation plus limitée protégerait l’intérêt légitime.

Les agences devraient conserver une piste d’audit pour chaque suggestion automatisée. Ce dossier devrait préciser quels passages le système a signalés, à quelle exemption il les a associés, ce que l’employé a modifié et pourquoi la décision finale satisfaisait au critère du préjudice prévisible.

Les demandeurs n’ont pas besoin d’accéder aux données d’entraînement sensibles ni aux détails de sécurité du système. Ils ont besoin d’informations intelligibles sur la manière dont les outils automatisés ont affecté leurs dossiers. Sans cette visibilité, un recours devient plus difficile, car le demandeur ne peut pas distinguer le jugement d’un juriste d’un paramètre par défaut assisté par modèle.

Une recommandation boîte noire ne devrait jamais devenir une boîte noire sur la page simplement parce qu’un humain a cliqué sur approuver.

L’examen humain n’est une garantie que lorsqu’il modifie les résultats

L’expression « humain dans la boucle » offre peu de protection à moins que les agences ne mesurent si les personnes remettent réellement en question les recommandations automatisées.

DHS affirme que des employés examineront les dossiers assistés par l’IA. Le bureau fédéral de médiation de la FOIA avertit de même que l’IA et l’apprentissage automatique ne peuvent pas remplacer le jugement professionnel sur les exemptions et le préjudice prévisible.

C’est la position formelle correcte. Son efficacité dépendra de la conception du flux de travail.

Si un examinateur voit le document complet avant l’apparition de tout marquage proposé, il peut se former une opinion indépendante. Si le système présente une page déjà couverte d’occultations suggérées, ces marquages créent un point d’ancrage. L’examinateur doit alors justifier le retrait d’une protection plutôt que décider s’il convient d’en ajouter une.

La différence peut sembler procédurale, mais elle modifie le sens du doute. Dans le premier flux de travail, l’incertitude peut favoriser la divulgation. Dans le second, l’incertitude favorise le maintien de la boîte noire du modèle.

Les effectifs créent une autre contrainte. Une agence peut adopter l’automatisation précisément parce qu’elle manque de personnel pour traiter sa charge de travail. Si cette même pénurie ne laisse aux examinateurs que quelques minutes pour inspecter chaque résultat, l’approbation humaine formelle devient un point de contrôle du débit.

Les objectifs de performance peuvent amplifier cette pression. Les responsables peuvent mesurer le nombre de demandes clôturées, de pages traitées ou la réduction de l’arriéré. Ces chiffres sont faciles à compter. La quantité d’informations non exemptées préservées grâce à un examen attentif est plus difficile à observer.

Un programme de contrôle efficace utiliserait plusieurs mesures. Les agences devraient comparer les décisions assistées par machine à des échantillons examinés indépendamment. Elles devraient suivre la fréquence à laquelle les employés retirent des occultations proposées, les restreignent ou ajoutent des protections que le système n’a pas détectées.

Elles devraient aussi tester les résultats selon les types de documents. Un outil qui détecte fiablement les numéros de passeport dans des formulaires standardisés peut être peu performant sur des e-mails de politique publique, des notes manuscrites, des feuilles de calcul, des entretiens enregistrés ou des documents historiques.

Les tests doivent inclure les conséquences des deux types d’erreurs. Les faux négatifs peuvent exposer des informations protégées. Les faux positifs peuvent refuser l’accès du public. Traiter les erreurs liées à la vie privée et à la sécurité comme les seuls échecs significatifs intégrerait la sur-occultation au processus d’évaluation.

Les agences devraient publier des résultats agrégés. Les divulgations utiles incluraient le nombre de demandes traitées avec l’IA, les exemptions concernées, les taux d’erreur échantillonnés, les taux de dérogation des examinateurs et les évolutions du temps de traitement.

Les rapports publics ne révéleraient pas le contenu sensible des demandes individuelles. Ils établiraient si l’outil se comporte comme un assistant ou comme un décideur non reconnu.

Les recours offrent une autre source de preuves. Si les dossiers assistés par l’IA entraînent davantage de recours administratifs couronnés de succès, cette tendance indiquerait que le système ou son processus d’examen retient des informations trop largement. Les agences devraient comparer ces résultats à ceux des dossiers examinés de manière conventionnelle.

Les tribunaux finiront par jouer un rôle. Les contentieux liés à la FOIA exigent souvent que les agences expliquent le fondement des occultations au moyen de déclarations ou d’un index Vaughn, un document reliant les éléments retenus aux exemptions invoquées. Les outils automatisés ne réduisent pas cette charge juridique.

Si une agence ne peut pas expliquer pourquoi la divulgation causerait un préjudice sans renvoyer de manière générale à un modèle, sa justification devrait échouer. Le gouvernement reste responsable de la décision finale, quel que soit le fournisseur ayant fourni le logiciel.

Le contrôle des fournisseurs fait donc partie de la responsabilité publique. Les contrats devraient autoriser les tests gouvernementaux, conserver les journaux, documenter les modifications du modèle et empêcher que des dossiers sensibles soient réutilisés pour un entraînement sans rapport. Les agences doivent aussi comprendre si les mises à jour modifient le comportement après la mise en production d’un système.

La version la plus solide de l’occultation par IA gouvernementale aiderait les employés à repérer des sensibilités possibles tout en préservant leur jugement juridique indépendant. La version la plus faible transformerait la sur-occultation en un flux de travail reproductible, avec une signature humaine à la fin.

DHS a décrit la première version. Les preuves nécessaires pour la distinguer de la seconde n’ont pas encore été rendues publiques.

Trois signaux montreront si le système sert l’ouverture

Le prochain test ne consiste pas à savoir si DHS déploie l’IA, mais si le département prouve que la technologie divulgue davantage d’informations légalement communicables sans exposer de documents protégés.

Le premier signal est la transparence opérationnelle. DHS devrait publier une description claire des catégories de demandes qui utilisent des recommandations automatisées, des modèles qui effectuent le travail et des exemptions qu’ils prennent en charge.

Cette description devrait distinguer la reconnaissance élémentaire de motifs de la classification juridique contextuelle. Repérer un numéro d’identification présente un risque différent de l’évaluation de discussions internes sur les politiques publiques. Les regrouper sous une seule étiquette « IA » empêcherait tout examen significatif.

Le département devrait également divulguer des mesures de performance agrégées. Les taux de faux positifs montreront à quelle fréquence le système recommande de masquer des éléments communicables. Les taux de faux négatifs indiqueront à quelle fréquence il néglige des informations protégées.

Les taux de dérogation des examinateurs révéleront si les humains exercent un jugement indépendant. Un taux proche de zéro pourrait signifier que l’outil est exceptionnellement précis. Plus vraisemblablement, il soulèverait des questions sur le biais d’automatisation, le temps limité consacré à l’examen ou les incitations qui dissuadent les employés de modifier les suggestions.

Le deuxième signal est la qualité des documents divulgués. Le temps de traitement devrait diminuer, mais les divulgations ne devraient pas se réduire. Les chercheurs peuvent comparer la proportion de divulgations intégrales, de divulgations partielles et de refus complets avant et après le déploiement.

Ces catégories sont imparfaites. Un seul mot supprimé et dix pages de boîtes noires peuvent tous deux être comptabilisés comme une divulgation partielle. DHS devrait donc examiner la part de texte pertinent divulguée dans des échantillons représentatifs de documents.

Les recours administratifs fourniront une autre mesure. Une hausse des contestations réussies concernant des occultations assistées par machine affaiblirait l’argument du département. Des résultats de divulgation stables ou améliorés, associés à des délais plus courts, soutiendraient son argument d’efficacité.

Le troisième signal est une responsabilité susceptible d’être mise en œuvre. Les demandeurs doivent savoir lorsqu’une automatisation a influencé de manière substantielle une réponse. Le personnel chargé des recours au sein des agences et les tribunaux ont besoin de dossiers montrant comment chaque recommandation a été intégrée à la décision finale.

Le Congrès, les inspecteurs généraux et les National Archives devraient examiner si le DHS applique de manière indépendante la norme du préjudice prévisible après qu’un modèle a signalé un passage. Ils devraient également évaluer les contrôles des fournisseurs, la sécurité des données, les mises à jour des modèles et les protections contre les boucles de rétroaction.

Aucune de ces garanties n’exige de rejeter l’automatisation. Les bureaux FOIA ont besoin de meilleurs outils de recherche, de déduplication, de conversion de documents et d’examen. L’accès du public ne s’améliore pas lorsque des documents répondant à une demande restent intacts dans un arriéré pendant des années.

Toutefois, accélérer les occultations n’est pas la même chose qu’accélérer la divulgation. La première retire des informations. La seconde donne au public un accès rapide à tout ce que la loi autorise.

Cette distinction devrait guider toute évaluation des occultations FOIA par IA du DHS. Le département peut valider son approche en publiant ses méthodes d’audit, ses mesures d’erreur, ses données de dérogation et les résultats de divulgation avant et après.

Les journalistes, chercheurs, avocats et autres demandeurs devraient surveiller ces indicateurs plutôt que d’accepter des délais de traitement plus courts comme preuve de réussite. Ils devraient également recourir aux voies de recours administratives lorsqu’une agence fournit des explications génériques ou semble retenir davantage d’informations que nécessaire.

L’IA peut aider à identifier la frontière entre les informations publiques et protégées. Elle ne devrait pas déplacer discrètement cette frontière vers le secret. La question décisive est simple : après que le DHS aura accéléré le processus, les Américains recevront-ils davantage d’informations exploitables, ou recevront-ils simplement plus vite leurs pages noircies ?