L’afflux d’agents IA dans l’administration transforme un meilleur accès en crise de capacité

Chris Schmitz a recensé 84 cas potentiels d’afflux d’agents IA dans l’administration, révélant un conflit dissimulé derrière un accès plus simple aux services publics. Les outils d’IA aident les personnes à préparer des plaintes, recours, pétitions et demandes de prestations qui exigeaient autrefois des heures de travail spécialisé. Les organismes doivent désormais traiter cette demande supplémentaire, souvent sans personnel ni financement additionnels.

La tentation immédiate est de classer ces nouveaux contenus comme du spam automatisé. Cette explication correspond à certaines soumissions, notamment les messages répétitifs ou les documents interminables contenant peu d’informations pertinentes. Cependant, Schmitz affirme que la plupart des cas observés concernent des personnes cherchant à exercer un droit qu’elles peuvent légitimement revendiquer.

Cette distinction transforme le problème de politique publique. Les gouvernements ne défendent pas simplement leurs systèmes contre des bots. Ils découvrent quelle part de la demande était contenue par des consignes confuses, un langage juridique peu familier, des éléments de preuve fragmentés et le coût psychologique de la confrontation avec la bureaucratie.

La tension qui en résulte dépasse le cadre d’une seule étude. Si un assistant IA facilite le dépôt d’une demande valide, l’augmentation du volume de dossiers représente un meilleur accès. Pourtant, cette même amélioration peut submerger des institutions dont les budgets reposaient discrètement sur le fait que les personnes éligibles renoncent.

Ce que l’afflux d’agents IA dans l’administration a réellement changé

L’IA a réduit le coût d’une demande adressée à l’administration, tandis que le coût de la réponse demeure largement inchangé.

Schmitz, Lewis Hammond et Alan Chan définissent l’afflux agentique comme une hausse du volume ou de la complexité des demandes rendue possible par l’IA et susceptible de mettre sous tension un service public. Leur étude de 84 cas couvre 11 juridictions et plusieurs formes d’administration publique.

Les cas comprennent des demandes de prestations, des plaintes réglementaires, des demandes d’accès à l’information, des dépôts judiciaires, des oppositions à des projets d’aménagement et des pétitions parlementaires. Ces systèmes diffèrent sur le plan juridique, mais beaucoup partagent une interface vulnérable : ils acceptent des textes libres envoyés par le public.

L’afflux actuel n’implique généralement pas un agent entièrement autonome naviguant sur chaque portail gouvernemental. Une personne fournit plutôt des documents ou des informations de contexte à un grand modèle de langage, qui produit une soumission structurée. Cette personne relit ensuite, copie ou dépose le contenu.

Ce flux de travail relativement simple peut supprimer plusieurs obstacles à la fois. Le modèle peut résumer un courrier officiel, identifier une voie de recours possible, organiser des preuves et rédiger un texte ressemblant à une correspondance professionnelle. Une photo prise avec un smartphone peut remplacer des heures passées à déchiffrer des consignes peu familières.

La recherche distingue deux formes de pression. L’afflux quantitatif signifie qu’un organisme reçoit davantage de demandes. L’afflux qualitatif signifie que chaque demande devient plus longue, plus détaillée ou plus complexe à évaluer.

Un service peut connaître l’une ou l’autre forme sans hausse spectaculaire du nombre de demandeurs. Dix plaintes courtes peuvent devenir dix dossiers volumineux contenant des dizaines d’allégations. Chaque allégation peut exiger une classification, une vérification des preuves, une consultation interne et une réponse écrite.

Les chercheurs présentent leur jeu de données comme un recueil de cas potentiels, et non comme la preuve que l’IA a provoqué chaque hausse enregistrée. Cette précision est importante, car plusieurs facteurs peuvent faire évoluer la demande de services publics. Les changements de politique, les conditions économiques, la sensibilisation du public, les défaillances institutionnelles et de nouveaux canaux de signalement peuvent tous accroître les volumes.

Le calendrier reste néanmoins notable. Nombre des services observés présentaient des schémas de soumission relativement stables avant l’arrivée de l’IA générative largement accessible. Leur charge de travail a ensuite augmenté à mesure que les outils de génération de texte devenaient plus faciles à utiliser.

Selon les résultats rapportés, les plaintes adressées au Housing Ombudsman du Royaume-Uni sont passées d’environ 2 600 en 2022 à un peu plus de 7 000 en 2025. Les plaintes déposées auprès du Consumer Financial Protection Bureau des États-Unis ont également fortement augmenté durant cette période.

Ces chiffres ne permettent pas d’isoler l’IA comme cause. Ils montrent pourquoi les organismes y prêtent attention. Même une implication partielle de l’IA peut devenir significative sur le plan opérationnel lorsque chaque soumission valide crée une obligation légale ou procédurale de répondre.

Le changement marquant n’est donc pas un logiciel autonome attaquant des sites gouvernementaux. Ce sont des citoyens ordinaires qui obtiennent une aide peu coûteuse pour accomplir un travail que les institutions attendaient auparavant d’eux seuls.

L’IA n’a pas créé les demandes sous-jacentes

Le renversement central est que de nombreuses demandes prétendument excessives révèlent une demande non satisfaite plutôt qu’une demande inventée.

Les procédures administratives imposent des coûts d’apprentissage, de conformité et psychologiques. Un demandeur doit découvrir un programme, interpréter les règles d’éligibilité, rassembler des documents, respecter des délais et communiquer dans le format privilégié par l’institution.

Chaque exigence supplémentaire peut écarter les fraudes ou les dossiers incomplets. Elle peut aussi décourager les personnes éligibles qui manquent de temps, de confiance, de connaissances juridiques, de maîtrise de la langue ou d’aide professionnelle.

Les organismes publics considèrent depuis longtemps le non-recours comme un problème de conception des services. Les travaux de l’OCDE sur l’accès indiquent que des règles complexes, des lacunes d’information et des demandes contraignantes empêchent des ménages éligibles de recevoir une aide sociale.

Un assistant IA modifie cette équation en prenant en charge une partie de l’effort requis pour la demande. Il ne crée pas le droit légal. Il rend plus facile le parcours permettant de faire valoir ce droit.

Schmitz a résumé ce point directement : « La grande majorité des cas que nous trouvons concernent des personnes qui ont le droit de demander quelque chose et qui le demandent. »

Cette déclaration n’établit pas que chaque soumission est correcte. Le droit dépend toujours des preuves, des critères juridiques et des circonstances individuelles. Elle remet toutefois en cause l’hypothèse selon laquelle l’augmentation des volumes reflète principalement des abus.

Prenons le cas d’un locataire recevant une réponse insuffisante à une plainte concernant des réparations. Avant l’IA générative, cette personne devait peut-être retrouver la politique applicable, reconstituer des mois d’échanges et expliquer clairement la défaillance. La charge peut être particulièrement lourde en cas de maladie, de déplacement forcé ou de difficultés financières.

Avec un assistant, le locataire peut organiser la chronologie et produire une plainte plus claire. Ce dépôt exige toujours une enquête. Toutefois, l’organisme ne peut plus compter sur l’épuisement ou la confusion pour le maintenir hors de la file d’attente.

Le même mécanisme s’applique aux plaintes financières. Les rapports sur les plaintes du CFPB documentent l’ampleur et la composition des soumissions de consommateurs, sans toutefois attribuer leur croissance à la seule IA.

Un consommateur contestant des informations de crédit erronées peut disposer d’un grief valable tout en peinant à le décrire dans les bonnes catégories. L’IA peut transformer des dossiers et des correspondances en récit plus structuré. Elle peut aussi aider le consommateur à persévérer après un premier refus.

Cela crée un problème de mesure inconfortable. Une file d’attente plus longue peut signaler une dégradation du service, une tentative de manipulation, une meilleure sensibilisation du public, une réduction de la charge administrative, ou les quatre à la fois.

Qualifier toute hausse d’afflux risque donc d’introduire subrepticement un jugement de politique publique dans la description d’une charge de travail. Du point de vue de l’organisme, une hausse est une menace pour les capacités. Du point de vue du demandeur, cette même hausse peut représenter un accès nouvellement praticable à un droit.

L’afflux d’agents IA dans l’administration est important parce qu’il expose cette différence de perspective. Les systèmes publics mesurent souvent leur réussite par la vitesse de traitement et des volumes de dossiers gérables. Les citoyens se soucient de savoir si des besoins valides reçoivent des décisions équitables.

Une institution peut préserver d’excellentes statistiques de traitement en rendant les demandes difficiles. Ce résultat paraît efficace en interne tout en produisant de l’exclusion à l’extérieur.

Les agents IA rendent cet arrangement moins stable. Ils révèlent une demande que les formalités administratives dissimulaient autrefois, poussant les responsables à décider si la friction administrative était une protection ou un mécanisme officieux de rationnement.

Le progrès d’accès devient une crise de capacité

Réduire la friction à l’entrée du service public peut déplacer directement le goulot d’étranglement vers les enquêteurs, les gestionnaires de dossiers et les décideurs.

La plupart des services publics n’étaient pas dotés en personnel pour que chaque personne éligible puisse déposer une demande complète et persévérante. Leurs prévisions de charge reposent sur les comportements historiques, y compris les abandons, les délais manqués et les demandes qui ne commencent jamais.

L’assistance par IA peut invalider rapidement ces prévisions. Davantage de personnes peuvent déposer un dossier, tandis que chacune peut fournir des éléments plus détaillés et poursuivre davantage d’étapes de réexamen.

Le Housing Ombudsman offre une image concrète de cette pression opérationnelle. Son plan d’activité 2025 décrivait une charge de dossiers sans précédent, un contact toutes les 25 secondes et plus de 7 000 enquêtes menées durant l’année.

Une enquête ne peut pas être mise à l’échelle comme la génération de texte. Le personnel doit établir sa compétence, examiner les preuves, contacter les parties concernées, appliquer la politique et documenter une décision défendable. Les dossiers sensibles exigent également un jugement qui ne peut être ramené sans risque à une reconnaissance de motifs.

Cette asymétrie alimente la crise. Un demandeur peut générer un recours volumineux en quelques minutes. L’autorité qui le reçoit peut passer des heures à déterminer quels passages sont pertinents et si chaque affirmation est étayée.

Des soumissions plus longues peuvent aussi créer du travail défensif. Les agents doivent rechercher les faits pertinents au milieu d’arguments répétés, de citations inventées ou d’un langage paraissant juridiquement précis sans identifier de problème valable.

Le problème ressemble à la pression créée par les rapports de sécurité IA de faible qualité. Générer un rapport de vulnérabilité plausible coûte peu, mais déterminer si le problème est réel mobilise toujours l’attention d’experts. Les organismes publics font face à une contrainte supplémentaire, car des lois ou règles de service peuvent les obliger à répondre.

L’analogie avec la sécurité a toutefois ses limites. Un rapport de bug fabriqué offre peu de bénéfice social. Une plainte concernant le logement ou un recours pour prestations assisté par IA peut provenir d’une personne que le système a été créé pour servir.

L’opposition fondamentale est donc celle d’un accès élargi face à une capacité administrative fixe. Il ne s’agit ni de citoyens contre fonctionnaires, ni d’humains contre machines.

Les gestionnaires de dossiers peuvent accueillir favorablement des demandes plus claires tout en étant submergés par leur nombre. Les demandeurs peuvent présenter des revendications légitimes tout en contribuant involontairement à l’allongement des files d’attente. Les deux parties vivent dans un système conçu pour un niveau de participation antérieur.

L’afflux d’agents IA dans l’administration redistribue également l’expertise. Avant l’IA générative, des défenseurs professionnels et des avocats aidaient leurs clients à traduire des problèmes vécus en langage institutionnel. Désormais, un modèle généraliste peut reproduire une partie de ce travail de rédaction.

Cette approximation est inégale. Les modèles peuvent clarifier les arguments, mais aussi inventer des règles ou encourager les utilisateurs à exagérer des points faibles. Les organismes doivent distinguer l’aide utile de l’erreur formulée avec assurance après réception de la soumission.

Cette évaluation devient plus difficile lorsque le langage généré par l’IA donne aux revendications faibles et fortes une apparence également soignée. La qualité de rédaction ne constitue plus un signal fiable de mérite juridique ou d’effort personnel.

Les gouvernements peuvent répondre en ajoutant leur propre automatisation. Des classificateurs peuvent orienter les dossiers, extraire les enjeux, détecter les doublons ou résumer des documents pour les évaluateurs humains. Ces outils peuvent réduire le travail administratif, mais ils soulèvent des questions d’exactitude, de biais, de confidentialité et de droit de recours.

Le tri automatisé crée aussi une confrontation entre deux systèmes probabilistes. Un modèle développe le grief d’un citoyen dans un langage formel. Un autre condense ce langage en catégories utilisées par l’administration.

Des éléments de contexte importants peuvent disparaître entre ces étapes. Le demandeur pourrait ne jamais savoir quelle demande le second système a ignorée, tandis que l’agent chargé du dossier pourrait ne jamais voir l’accent mis dans le texte original.

Le renforcement des capacités doit donc aller au-delà de l’achat de logiciels. Les administrations ont besoin de structures de dépôt claires, d’un tri vérifiable, d’un examen humain suffisant et de procédures permettant de corriger les erreurs d’automatisation.

Sans ces investissements, un accès plus rapide ne fait que déplacer le temps d’attente plus profondément dans l’institution. Le formulaire devient plus simple, mais la décision prend plus de temps.

Davantage de formalités ne signifie pas davantage de vérité

L’IA peut révéler des demandes fondées tout en dégradant l’environnement informationnel utilisé pour les trancher.

L’argument le plus solide en faveur de l’assistance par IA repose sur un accès légitime. L’argument sceptique le plus solide porte sur la fiabilité, les doublons et les usages stratégiques.

Les grands modèles de langage prédisent un texte plausible. Ils n’établissent pas de manière indépendante qu’une règle juridique s’applique, qu’un document est authentique ou que le souvenir d’un demandeur est exact. Une soumission bien rédigée peut contenir de fausses citations ou des arguments hors sujet sans signe d’alerte évident.

Les utilisateurs peuvent aussi demander à un modèle de renforcer leur position. Le texte qui en résulte peut transformer l’incertitude en certitude, présenter une inférence comme une preuve ou générer plusieurs allégations qui se chevauchent à partir d’un seul événement.

Ces défaillances comptent parce que les décisions publiques affectent le logement, les revenus, le statut migratoire, les licences, les dettes et d’autres intérêts importants. Les évaluateurs ne peuvent pas supposer qu’un langage professionnel reflète une vérification professionnelle.

La fraude constitue une autre incertitude. Des coûts de demande plus faibles profitent aux demandeurs éligibles, mais réduisent aussi le coût des tentatives de faire valoir de fausses histoires auprès de plusieurs programmes. De meilleurs contrôles d’identité peuvent limiter l’usurpation d’identité sans établir que les faits contenus dans une demande sont vrais.

La participation politique coordonnée soulève une question différente. L’IA peut aider les habitants à comprendre une proposition d’aménagement et à formuler des objections éclairées. Elle peut aussi produire des milliers de commentaires quasi identiques qui exagèrent l’ampleur apparente de l’engagement public.

Une autorité publique doit décider si la participation doit être mesurée en personnes, en soumissions, en arguments distincts ou en intérêt local démontré. Le texte génératif rend ces catégories plus faciles à manipuler.

La recherche n’établit pas un taux de fraude universel, pas plus qu’elle ne prouve que l’IA a généré chaque hausse observée dans son ensemble de données. Sa valeur réside dans l’identification d’un schéma récurrent et d’un mécanisme crédible.

L’incertitude causale devrait limiter les prédictions spectaculaires. Elle ne devrait pas devenir une excuse à l’inaction. Les administrations peuvent mesurer la longueur des documents, les formulations dupliquées, le temps de traitement, les abandons, les résultats des décisions et les recours aboutis sans deviner les outils employés par chaque utilisateur.

Ces mesures devraient distinguer la charge de travail du bien-fondé. Un service peut recevoir deux fois plus de demandes tout en en approuvant une proportion similaire. Ce schéma différerait d’une hausse dominée par des soumissions rejetées ou en double.

Les administrations devraient aussi distinguer l’assistance par IA de l’automatisation à grande échelle. Une personne utilisant un modèle pour organiser un recours crée des risques différents d’un service commercial déposant des milliers de demandes via un flux automatisé.

Le premier cas s’apparente à un accès élargi au conseil. Le second ressemble à une intermédiation industrialisée, surtout lorsqu’une entreprise tire profit de demandes acceptées ou contrôle la communication avec les demandeurs.

Ces deux activités peuvent être légales. Elles ne devraient pas être régies par une seule catégorie grossière appelée contenu généré par IA.

Les exigences de divulgation paraissent séduisantes, mais créent des problèmes d’application. Les demandeurs peuvent ne pas savoir quelles fonctionnalités d’un outil de rédaction font intervenir l’IA. Une étiquette de divulgation ne dit rien non plus sur l’exactitude, l’autorisation ou l’éligibilité.

Les logiciels de détection offrent encore moins de certitude. Les détecteurs de texte généré par IA peuvent mal classer une rédaction humaine et ne fournissent aucune base fiable pour refuser un service public. Leur usage pourrait particulièrement désavantager les personnes écrivant dans une seconde langue.

Les meilleures questions concernent la provenance et la responsabilité. Le demandeur a-t-il autorisé la soumission ? L’administration peut-elle vérifier l’identité ? Les documents justificatifs sont-ils disponibles ? Le demandeur peut-il corriger les erreurs et comprendre la décision ?

Ces contrôles se concentrent sur l’intégrité du processus plutôt que sur le style de la prose. Ils restent utiles, qu’une demande ait été rédigée par un avocat, un défenseur, un modèle ou le demandeur seul.

L’afflux de demandes provoqué par les agents d’IA auprès des administrations devrait donc être traité comme un problème de conception de service comportant des cas d’abus, et non simplement comme un problème d’abus avec quelques utilisateurs légitimes.

Ajouter des frictions pénaliserait les demandeurs légitimes

Les défenses les plus rapides peuvent rétablir des files d’attente gérables en recréant les obstacles que l’IA a aidé les personnes à surmonter.

Les administrations disposent de plusieurs outils familiers pour réduire la demande. Elles peuvent introduire des frais, exiger des visites en personne, restreindre les fenêtres de dépôt, imposer des limites strictes de mots ou ajouter des contrôles d’identité difficiles.

Chaque mesure peut réduire le volume. Chacune peut aussi exclure les personnes disposant de moyens financiers, de mobilité, de temps, de maîtrise linguistique ou d’accès aux documents limités.

Ce compromis est particulièrement sévère pour les services à forte valeur financière et d’une grande complexité administrative. Ces programmes donnent aux personnes une forte raison de chercher de l’aide, tandis que leurs règles rendent une navigation sans assistance difficile.

Les frais peuvent décourager les demandes spéculatives, mais ils tarifient aussi l’accès en fonction du revenu. Les exigences de présence physique peuvent contrarier les dépôts automatisés en masse, mais elles pèsent sur les demandeurs handicapés, les résidents ruraux, les aidants et les travailleurs rémunérés à l’heure.

Des modèles stricts peuvent améliorer le traitement s’ils demandent clairement les faits pertinents. Ils deviennent excluants lorsqu’une erreur technique fait automatiquement échouer une demande pourtant valable.

Les limites de débit exigent elles aussi une conception attentive. Limiter les soumissions par personne vérifiée peut ralentir les dépôts de masse. Cela peut nuire aux personnes confrontées à plusieurs problèmes distincts ou aux défenseurs autorisés à représenter de nombreux clients.

L’identité numérique offre une autre option. Une authentification robuste peut établir qui a autorisé une interaction et soutenir des contrôles de débit équitables. Elle crée aussi des défis en matière de confidentialité, d’accessibilité et de mise en œuvre.

L’alternative consiste à renforcer les capacités. Les gouvernements peuvent simplifier les règles d’éligibilité, préremplir les données connues, fournir des interfaces de demande structurées et inscrire proactivement les personnes lorsque leur droit peut être établi à partir de dossiers existants.

Ces mesures s’attaquent à la charge administrative sous-jacente. Elles réduisent aussi l’incitation à produire de longs récits, car le système demande des preuves précises dans un format prévisible.

L’OCDE a soutenu que les données administratives liées et l’inscription automatique peuvent améliorer le recours aux prestations. Cette approche retire du travail aux citoyens et aux services qui reçoivent les demandes, au lieu d’automatiser une confrontation autour de la paperasse.

Les organismes publics peuvent aussi publier des règles lisibles par machine et des interfaces officielles pour les agents. Une interface de programmation d’applications, ou API, est un canal structuré par lequel des logiciels approuvés peuvent échanger des informations définies.

Une interface soigneusement conçue peut limiter la longueur arbitraire des documents, demander les preuves de manière cohérente et renvoyer des informations claires sur l’état du dossier. Elle peut rendre l’assistance automatisée plus responsable sans forcer les utilisateurs à revenir au papier.

Cependant, une API ne doit pas devenir la seule porte d’entrée. Les personnes ont besoin de canaux humains accessibles, en particulier lorsque leur situation ne correspond pas aux champs standard.

Les administrations ont également besoin de certitude juridique concernant le traitement assisté par IA. Un agent chargé d’un dossier devrait savoir quelles décisions exigent un jugement humain, à quelles informations un système automatisé peut accéder et comment un demandeur peut contester une erreur.

Les règles de passation des marchés devraient exiger des journaux d’activité et une évaluation sur des cas réels. Les responsables doivent pouvoir voir pourquoi un outil a orienté, résumé ou signalé une soumission avant de s’appuyer sur son résultat.

Des audits indépendants devraient vérifier si l’automatisation modifie les taux de rejet selon la langue, le handicap, le revenu ou les groupes démographiques. Les gains d’efficacité ne peuvent pas justifier une discrimination cachée.

Cette refonte coûte davantage au départ que l’ajout de frais ou la fermeture d’une boîte de réception électronique. Elle aligne aussi les capacités sur la promesse d’accès au service public.

Le choix de politique publique est révélateur. Si les responsables réagissent à une participation légitime accrue en reconstruisant des obstacles, alors la simplicité antérieure de la file d’attente reposait sur l’exclusion.

S’ils repensent les services en fonction de la demande réelle, l’assistance par IA peut révéler des faiblesses que les gouvernements devaient de toute façon traiter.

Trois signaux montreront quelle voie choisissent les gouvernements

La prochaine phase sera définie par des réponses administratives mesurables, et non par un nouveau bond des capacités des modèles.

Le premier signal sera de savoir si les organismes publics publient des éléments établissant un lien entre l’assistance par IA et des résultats opérationnels précis. Les seuls volumes bruts de soumissions sont insuffisants.

Un rapport utile comparerait le volume, la longueur des documents, le temps de traitement, les taux de doublons, les taux d’approbation, les recours aboutis et les arriérés non résolus. Il devrait distinguer l’assistance individuelle des dépôts de masse coordonnés ou commerciaux.

Si les administrations publient ces informations, le débat pourra dépasser les anecdotes. Des taux d’approbation élevés renforceraient l’argument selon lequel l’IA révèle une demande légitime. Des taux élevés de doublons ou de rejets justifieraient des contrôles plus ciblés contre les soumissions de faible valeur.

Le deuxième signal sera de savoir si les gouvernements choisissent la friction ou les capacités. De nouveaux frais, des canaux fermés, de larges restrictions sur l’IA ou des visites physiques obligatoires montreraient que les institutions protègent leur charge de travail en réduisant l’accès.

Des formulaires structurés, des effectifs renforcés, l’inscription automatique, un tri vérifiable et des interfaces officielles pour les agents indiqueraient l’autre direction. Ils montreraient que les administrations acceptent une participation accrue comme une obligation de service.

Le troisième signal sera de savoir si la capacité de traitement suit le rythme de la simplification des dépôts. Les arriérés d’enquête et les délais de décision révéleront si les gouvernements n’ont modernisé que l’entrée destinée aux citoyens.

La charge de travail du Housing Ombudsman et les volumes de plaintes du CFPB offrent des points de référence utiles, mais les futurs rapports nécessitent une analyse causale plus claire. Les chercheurs devraient examiner les changements de politique et les conditions économiques parallèlement à l’adoption de l’IA.

Ce travail devrait également suivre la distribution des résultats. Des décisions moyennes plus rapides peuvent masquer de moins bons résultats pour les dossiers qui ne correspondent pas aux catégories automatisées.

Pour les développeurs, la leçon est que la qualité d’un agent ne peut pas être mesurée uniquement par la réussite d’une soumission. Un système responsable devrait préserver les preuves, afficher les sources, demander une confirmation et éviter de transformer un grief en demandes non étayées.

Les acheteurs en entreprise devraient demander qui reste responsable lorsqu’un agent communique avec un organisme public. L’autorisation, la conservation des données, les journaux d’audit et les processus de correction comptent davantage qu’une rédaction fluide.

Les travailleurs du savoir devraient traiter les soumissions générées comme des documents importants. La facilité avec laquelle on peut produire une lettre formelle ne supprime pas l’obligation de vérifier les noms, les dates, les demandes et les règles citées.

Les organismes publics font face à la mission la plus difficile. Ils doivent protéger des capacités limitées sans traiter les citoyens nouvellement capables comme des attaquants.

L’afflux de demandes gouvernementales provoqué par les agents d’IA mettra à l’épreuve la sincérité de l’engagement en faveur de l’accès numérique, ou s’il ne s’agissait que d’un slogan commode. Une file d’attente gérable n’est pas un service réussi lorsque les personnes éligibles restent à l’écart parce que le processus les décourage.

La question pratique est désormais inévitable : lorsque l’IA révèle la demande dissimulée derrière la charge administrative, les gouvernements financeront-ils le service promis aux citoyens, ou rétabliront-ils la charge qui les maintenait silencieux ?