Les orientations de l’ICO sur l’IA face au poids croissant des plaintes au Royaume-Uni

L’Information Commissioner's Office (ICO) défend les droits d’accès malgré la pression croissante des demandes rédigées par IA. Ses orientations de l’ICO sur l’IA abordent un conflit difficile : aider les citoyens à communiquer avec l’administration peut créer du travail supplémentaire pour les institutions chargées de leur répondre. Une rédaction plus rapide ne produit pas automatiquement un service plus rapide.

Le reportage du Guardian du 8 novembre décrit des organismes publics aux prises avec une correspondance générée par chatbot. La question de politique publique dépasse le fait de savoir si une lettre individuelle a été rédigée avec l’IA. Les institutions doivent distinguer une assistance utile d’une complexité inutile, sans considérer une écriture soignée comme la preuve qu’une plainte est dénuée de fondement.

La tension centrale oppose une participation citoyenne facilitée à des capacités institutionnelles limitées. ChatGPT, Claude, Gemini et Copilot doivent figurer dans cette discussion comme assistants d’écriture alternatifs, plutôt que comme explications concurrentes d’un même problème administratif. La comparaison pertinente porte sur la rapidité de production d’une demande et le travail nécessaire pour y répondre de manière responsable.

Les orientations de l’ICO sur l’IA affrontent un problème qui dépasse la boîte de réception

Un outil de rédaction modifie l’économie de la soumission d’une demande avant de modifier celle de son traitement.

L’ICO a publié des orientations dédiées le 6 mai 2026. Son annonce associée faisait état des préoccupations de praticiens concernant l’augmentation du volume et de la complexité des demandes, ainsi que le travail de clarification. Le régulateur a présenté ses orientations sur les demandes générées par IA comme une aide à l’application de principes existants, et non comme une modification de la loi.

Cette chronologie est importante. Le débat actuel fait suite à une réponse réglementaire déjà engagée, plutôt que de révéler un problème que les autorités viendraient seulement de découvrir. Elle offre aussi une solution de rechange à l’hypothèse selon laquelle chaque institution aurait besoin d’une catégorie entièrement nouvelle de restrictions spécifiques à l’IA.

La liberté d’information, ou FOI, donne accès aux informations enregistrées détenues par les autorités publiques. Une plainte concernant un service demande à une institution de répondre à une insatisfaction. Un recours statutaire conteste une décision selon une procédure précise. Ces catégories se recoupent parfois dans la correspondance, mais elles doivent rester distinctes dans l’analyse.

Qualifier chaque message de plainte masque ce que les employés doivent réellement faire. Une demande de documents exige un travail différent d’une allégation de faute. Une demande d’annulation d’une décision soulève encore une autre question. Un ton péremptoire ne permet pas de déterminer quelle procédure s’applique.

Prenons l’exemple hypothétique d’un e-mail adressé à un conseil local, contenant un grief concernant un service, une demande de documents et une demande d’indemnisation. L’employé qui le reçoit doit identifier ces différents éléments. Une version plus longue du même e-mail peut apporter des éléments de preuve utiles, ou simplement rendre ces distinctions plus difficiles à repérer.

Cet exemple est hypothétique, mais la question opérationnelle est concrète. Le texte aide-t-il son destinataire à identifier un problème sur lequel il peut agir ? C’est un meilleur critère que de savoir si le texte semble professionnel ou comporte une terminologie généralement associée aux juristes.

L’IA peut aider une personne à formuler un problème qu’elle peinait auparavant à décrire. Elle peut aussi élargir une question circonscrite en une argumentation plus vaste. Ces résultats ont des implications différentes, même lorsqu’ils commencent tous deux par la même demande d’amélioration d’un brouillon.

Cette distinction modifie la manière d’évaluer la productivité. Le temps gagné par l’expéditeur doit être pris en compte, mais aussi celui consacré par le destinataire. Une institution ne peut évaluer l’effet global en mesurant seulement la vitesse à laquelle le texte apparaît à l’écran.

Un organisme public ne devrait pas non plus supposer qu’une participation supplémentaire représente un échec. Certaines demandes auparavant absentes peuvent concerner des problèmes légitimes. L’enjeu consiste à séparer une demande devenue accessible d’un travail de traitement évitable, plutôt qu’à considérer toute hausse comme un trafic indésirable.

Cette évolution a donc des conséquences plus importantes qu’une simple nuisance dans une boîte de réception. Elle révèle un décalage entre des logiciels grand public qui accélèrent l’expression et des systèmes publics qui doivent l’interpréter avec soin. La pression se manifeste là où le langage devient une obligation d’enquêter, de retrouver des informations ou d’expliquer une décision.

La pression pèse sur les personnes qui doivent résoudre la demande

Le goulet d’étranglement est une résolution responsable, qui exige davantage que de produire une réponse plausible.

Un agent public chargé de la correspondance doit déterminer ce qui s’est produit, quels documents sont pertinents et qui a autorité pour agir. Rédiger un accusé de réception ne représente qu’une petite partie de ce travail. Une réponse éloquente ne peut remplacer la recherche des éléments de preuve pertinents.

Cela crée une répartition inégale des efforts. Un expéditeur peut générer plusieurs versions d’un argument sans examiner chacune des affirmations ajoutées. Un destinataire qui doit décider si ces affirmations importent doit les relier au dossier réel.

La charge qui en résulte ne dépend pas entièrement du volume de messages. Un nombre stable de soumissions peut tout de même exiger davantage d’attention du personnel lorsque chacune contient des revendications supplémentaires. À l’inverse, davantage de soumissions peuvent rester gérables si elles sont ciblées et complètes.

Pour les administrateurs, cette distinction devrait orienter les questions posées. Les employés passent-ils plus de temps à identifier le problème ? Vérifient-ils des références non pertinentes ? Les dossiers reviennent-ils parce qu’une réponse initiale a traité la formulation tout en manquant le besoin sous-jacent ?

Il s’agit de questions diagnostiques proposées, et non de constats établis dans l’ensemble des organismes publics britanniques. Elles importent parce qu’un décompte des messages entrants ne peut expliquer où disparaît la capacité. Sans cette explication, une institution risque d’acheter une solution pour la mauvaise étape du travail.

Le personnel de première ligne fait face à un jugement particulièrement difficile. Il doit prendre au sérieux une préoccupation potentiellement grave sans accepter chaque affirmation qui l’accompagne. Le scepticisme envers une affirmation doit rester distinct du scepticisme envers la personne qui cherche de l’aide.

Les responsables font face à un problème d’allocation connexe. Accorder une attention supplémentaire à une soumission élaborée peut retarder la demande simple d’une autre personne. Répondre de manière proportionnée exige de comprendre le fond, plutôt que de laisser la longueur déterminer la priorité.

La pression atteint aussi le public. Un habitant qui n’utilise jamais de chatbot partage tout de même la même file de traitement. Tout travail évitable généré ailleurs peut affecter son expérience, même s’il n’a pris aucune décision concernant l’IA.

Il existe un avantage compensateur. Une personne intimidée par le langage institutionnel peut enfin présenter un récit clair après avoir reçu une aide à la rédaction. Considérer cette nouvelle participation comme un gaspillage administratif reviendrait à négliger l’objectif de l’accès public.

L’objectif approprié doit donc être formulé avec soin. Réduire la correspondance ne suffit pas. Une réponse efficace devrait réduire les traitements inutiles tout en préservant la capacité de l’institution à identifier et résoudre les préoccupations légitimes.

Cet objectif modifie ce que les acheteurs devraient demander aux fournisseurs de logiciels. Une démonstration produisant une réponse concise est incomplète. L’institution doit aussi savoir si le système aide les employés à parvenir à la bonne conclusion avec moins de corrections.

Il modifie également les discussions sur les effectifs. Si le travail difficile implique des preuves et du jugement, une rédaction plus rapide ne supprimera pas à elle seule la contrainte. Toute économie promise doit résister à l’examen du dossier complet, y compris la clarification, la révision et toute contestation ultérieure.

Une participation facilitée déplace le travail d’un côté à l’autre du guichet

Un gain individuel de productivité peut devenir un coût de traitement partagé lorsqu’une autre organisation doit évaluer le résultat.

Les chercheurs Chris Schmitz, Lewis Hammond et Alan Chan décrivent des hausses de demande connexes sous le terme d’agentic flooding. Ici, ce terme désigne une activité assistée par IA qui accroît la pression sur les services publics. Il ne doit pas laisser entendre que chaque message concerné provient d’un agent autonome.

Leur prépublication d’août 2026, government service flooding, a recensé 84 cas potentiels dans 11 juridictions. Les auteurs décrivent des éléments suggérant un phénomène plus large, tout en soulignant les tensions entre la maîtrise de la demande et la préservation d’un accès équitable. Des cas potentiels ne permettent pas d’établir une mesure représentative de la prévalence nationale.

L’article met également en avant les services combinant complexité et incitations financières comme étant particulièrement exposés à court terme. Ce cadre aide à distinguer une occasion attrayante d’assistance automatisée d’une hausse générale de la communication en ligne.

Le point analytique plus large concerne les incitations. Une personne qui soumet un recours y gagne si une assistance rend son dossier plus clair. Un développeur y gagne si le produit aide cette personne à accomplir la tâche. Aucun de ces avantages ne prend automatiquement en compte les coûts de traitement du destinataire.

Cela ne rend pas l’objectif de l’expéditeur illégitime. Cela signifie que le système pertinent comprend les deux côtés de l’interaction. Évaluer uniquement l’expérience de rédaction laisse une partie importante de la transaction hors du cadre.

Le même raisonnement s’applique aux assistants concurrents. ChatGPT contre Claude constitue une comparaison de produits pertinente pour certaines tâches. Pour le traitement des plaintes, une comparaison plus pertinente oppose les résultats qui clarifient le problème à ceux qui l’élargissent inutilement.

Gemini et Copilot relèvent de la même norme. La notoriété d’une marque ne permet pas d’établir qu’un brouillon particulier contient des faits fiables. La longueur de la réponse ou l’assurance de son ton ne le permettent pas davantage.

Un assistant mesuré peut supprimer une allégation non étayée. Un autre, plus accommodant, peut reformuler cette allégation de manière persuasive. Le second résultat peut sembler plus utile à l’expéditeur tout en créant un document moins satisfaisant pour toutes les personnes concernées.

Il s’agit de comportements possibles de produits, et non d’un classement vérifié de systèmes nommés. Les éléments disponibles ne justifient pas d’attribuer le problème britannique à un fournisseur particulier. La diversité des prompts et des conceptions d’applications complique également les comparaisons.

Pour les développeurs, cela suggère une définition différente de l’achèvement. Une tâche de rédaction de plainte n’est pas terminée simplement parce que l’application a généré une lettre formelle. Le résultat doit préserver la préoccupation réelle de l’utilisateur sans inventer de faits ni laisser entendre l’existence de preuves inexistantes.

Cette norme est également pertinente pour les acheteurs en entreprise. Un système conçu pour maximiser la quantité de texte généré peut entrer en conflit avec un flux de travail conçu pour réduire au minimum l’ambiguïté. Les achats devraient examiner le document produit, plutôt que de supposer qu’un résultat plus détaillé représente une meilleure assistance.

Les implications s’étendent au travail interne de gestion des connaissances. Une base de connaissances IA bien organisée remplit une fonction différente de la rédaction libre : elle aide à rendre les documents justificatifs accessibles. Cette distinction importe chaque fois qu’une décision exige des preuves.

La plainte elle-même peut être courte alors que le dossier qui l’étaye reste volumineux. Tout réunir dans un seul récit persuasif peut rendre le dossier plus difficile à examiner. Maintenir le lien entre les affirmations et leurs sources donne à un examinateur quelque chose de plus utile qu’une simple élégance rhétorique.

L’opportunité concurrentielle réside donc dans la réduction de l’effort total tout au long de l’interaction. Un assistant qui aide un utilisateur à soumettre la bonne demande peut produire un résultat moins visible. Sa valeur apparaîtrait plus tard, grâce à moins de malentendus et à une résolution plus directe.

La suspicion d’une rédaction par IA ne peut trancher un dossier

Les institutions doivent évaluer le fond d’une demande sans transformer le style d’écriture en critère d’éligibilité.

Les orientations de l’ICO sur FOI and AI indiquent que l’assistance de l’IA n’invalide pas automatiquement une demande. Des déclarations inexactes ne l’invalident pas nécessairement non plus. Les autorités devraient appliquer les exigences pertinentes et évaluer la demande elle-même.

Ces orientations recensent les voies existantes pour demander des précisions, traiter les coûts excessifs et répondre aux demandes abusives ou répétées. Leur application dépend des circonstances. Il ne s’agit pas d’étiquettes interchangeables pour une correspondance qu’un employé juge difficile ou qu’il soupçonne avoir été produite avec l’aide d’un chatbot.

Cette position permet de contester une affirmation erronée sans écarter le besoin d’information sous-jacent. Elle limite aussi un raccourci tentant : considérer une utilisation présumée de l’IA comme une raison suffisante pour refuser tout échange.

Une distinction utile sépare l’auteur, l’exactitude et le bien-fondé. Une demande rédigée par un humain peut contenir une erreur. Une demande assistée par IA peut décrire avec exactitude un problème réel. Connaître la méthode de rédaction ne permet pas de déterminer si l’action demandée est justifiée.

La mise en forme offre encore moins de certitude. Des intertitres, des formulations formelles et des listes organisées peuvent apparaître dans de nombreux types d’écrits. Une institution devrait se garder de transformer ces caractéristiques en jugement sur l’attention qu’une personne mérite.

L’angle sceptique s’applique également aux affirmations sur l’ampleur du problème. L’expérience du personnel peut révéler des difficultés émergentes, mais elle ne peut à elle seule établir la quantité de travail supplémentaire causée par l’IA. Les défaillances de service, les différends relatifs aux politiques et l’évolution des attentes du public restent des facteurs possibles.

Une boîte de réception saturée exige donc une enquête avant toute explication. Si une autorité attribue une hausse à l’IA, la question de suivi utile porte sur ses preuves. Qu’est-ce qui a changé dans les demandes, et comment ce changement a-t-il affecté leur traitement ?

La distinction entre corrélation et causalité compte pour les remèdes. Si un problème de service génère des plaintes, restreindre l’assistance à la rédaction ne réparera pas le service. Si une élaboration inutile provoque des retards, une conception plus claire des demandes pourrait aider sans réduire l’accès.

La même prudence s’applique au terme d’inondation. Il peut décrire un problème de capacité, mais il évoque aussi une perturbation délibérée. Les personnes légitimes qui sollicitent une assistance ne devraient pas automatiquement hériter de cette implication.

Il existe également un défi de mesure. Compter les messages présumés générés par IA peut produire un indicateur apparemment fiable reposant sur des fondations incertaines. Une autorité pourrait apprendre davantage en mesurant les demandes de clarification, les corrections et l’effort de traitement qu’en attribuant des étiquettes spéculatives d’auteur.

Ces mesures proposées ont aussi leurs limites. Les dossiers complexes exigent naturellement davantage de travail, que l’IA apparaisse ou non quelque part dans le processus. L’évaluation devrait tenir compte des différences entre les dossiers plutôt que de récompenser les équipes qui privilégient les demandes les plus simples.

L’équité et l’efficacité opérationnelle convergent vers la même exigence : comprendre ce que demande la personne. Le moyen le plus rapide d’y parvenir impliquera parfois une clarification. Il impliquera parfois de lire les pièces justificatives originales plutôt que de s’appuyer sur un résumé.

Les orientations de l’ICO sur l’IA fixent une limite à ce travail, mais elles n’établissent pas que chaque mise en œuvre locale est efficace. La qualité des pratiques institutionnelles demeure une question distincte, qui exige des preuves sur les résultats et l’expérience des personnes utilisant le service.

Les réponses automatisées nécessitent des preuves avant toute extension

L’utilisation de l’IA du côté du destinataire crée un autre système de décision dont les bénéfices doivent être démontrés.

Le government AI playbook du Royaume-Uni, publié en février 2025, souligne l’importance d’un contrôle humain significatif. Il appelle à valider les décisions à haut risque influencées par l’IA, à effectuer des tests, à assurer un suivi en conditions réelles et à prévoir des moyens pour les utilisateurs de déclencher un examen humain.

Cela fournit une référence de gouvernance pour les systèmes de traitement des plaintes proposés. Cela n’établit pas que le résumé ou la rédaction de réponses fera gagner du temps dans tous les contextes. Ces affirmations nécessitent toujours une évaluation dans le cadre du flux de travail réel.

Un résumé peut raccourcir un document tout en perdant le détail qui détermine son importance. Un employé qui n’examine que la version abrégée pourrait ne jamais voir ce qui a disparu. Le risque concerne le lien entre le dossier original et la décision, plutôt que la seule longueur du résumé.

Un exemple illustratif permet de clarifier cette distinction. Supposons qu’un e-mail décrive des retards répétés, mais inclue aussi une échéance liée à la situation de l’expéditeur. Un résumé qui mettrait l’accent sur l’insatisfaction tout en omettant cette échéance pourrait modifier la manière dont le dossier est priorisé.

Il s’agit d’un mode de défaillance hypothétique, et non d’un incident documenté dans les reportages actuels. Il montre pourquoi un résultat apparemment lisible doit être évalué différemment d’une représentation fidèle du dossier.

La rédaction de réponses crée une autre dépendance. Une réponse fluide peut donner l’impression qu’une enquête incomplète est achevée. Si le brouillon arrive avant qu’un employé ait établi ce qui s’est passé, sa structure pourrait orienter l’examen ultérieur autour d’une explication non étayée.

Les acheteurs institutionnels devraient donc demander où se produit l’économie proposée. L’outil élimine-t-il la mise en forme répétitive ? Aide-t-il à retrouver les éléments pertinents ? Ou bien l’argument commercial suppose-t-il que les employés passeront moins de temps à vérifier les affirmations de fond ?

Ces catégories méritent des examens différents. Gagner du temps sur une présentation de routine n’exige pas le même niveau de confiance que déléguer un jugement sur l’urgence ou le bien-fondé. Un pourcentage unique de productivité peut masquer ces différences.

La comparaison doit également couvrir l’ensemble du processus. Un temps de traitement initial plus court compte peu si les corrections et les dossiers rouverts augmentent ensuite. De même, une mise en œuvre qui préserve la qualité tout en réduisant le travail répétitif mérite d’être reconnue, même si les effectifs restent inchangés.

Le local government playbook, publié en octobre 2026, ajoute une référence de gouvernance propre au secteur. Élaboré dans le cadre d’une collaboration menée par des conseils locaux et soutenue par la Local Government Association, il traite de l’adoption responsable et de la gestion des risques. Sa publication constitue une preuve de préparation, plutôt qu’une preuve de réussite de l’automatisation des plaintes.

Cette distinction devrait façonner les attentes dans les mois à venir. L’annonce qu’un conseil a adopté l’IA établit une décision de déploiement. Elle n’établit pas un meilleur accès, moins d’erreurs ou des délais d’attente plus courts.

Les développeurs qui créent des outils destinés aux destinataires sont soumis au même test de bout en bout que ceux qui aident les expéditeurs. Réduire l’effort visible dans une interface ne suffit pas si le produit déplace le travail ailleurs. Sa valeur doit résister à l’examen, à la correction et à l’escalade.

Un examen humain significatif exige aussi une capacité pratique. Un employé ne peut pas contester de façon fiable un résumé si le flux de travail décourage l’ouverture des éléments sous-jacents. Les engagements de gouvernance doivent être reliés à la manière dont le système alloue le temps et présente les preuves.

Le dossier de déploiement le plus solide montrerait où l’assistance aide, où elle échoue et comment les utilisateurs obtiennent une correction. Ces éléments justifieraient une extension de manière plus convaincante qu’une nouvelle démonstration de la vitesse à laquelle un modèle peut générer une réponse professionnelle.

Surveillez les résultats, les règles d’accès et la qualité de l’assistance

Le prochain test consiste à déterminer si les institutions réduisent le travail évitable tout en maintenant ouvertes les voies légitimes d’accès à l’assistance.

Le premier signal à surveiller est le reporting opérationnel. Au cours des prochains mois, des divulgations utiles relieraient la demande entrante à l’effort de traitement, aux clarifications et aux dossiers finalisés. Une hausse des écrits présumés générés par IA, à elle seule, fournirait une explication bien plus faible.

Si le traitement s’améliore tout en préservant la qualité des résultats, l’argument en faveur d’une assistance soigneusement conçue se renforce. Si des accusés de réception plus rapides s’accompagnent de davantage de dossiers non résolus, le gain de productivité apparent mérite un examen plus attentif. La distinction porte sur les résultats, et non sur la vitesse de production.

Le deuxième signal concerne la manière dont les organismes publics modifient les modalités d’accès. Les nouveaux formulaires, limites de soumission ou politiques d’escalade devraient être examinés pour leur effet réel. Réduire la taille d’une file d’attente ne signifie pas nécessairement que le service fonctionne mieux.

Un formulaire ciblé peut aider les personnes à expliquer ce qui s’est passé et la réponse qu’elles recherchent. Un processus restrictif pourrait au contraire les empêcher de fournir le contexte nécessaire. Les deux peuvent réduire le volume de texte, mais ils représentent des résultats très différents.

Si les institutions préservent les voies de clarification et d’examen individuel, cela soutient la possibilité de gérer la demande sans exclure les utilisateurs légitimes. Si les restrictions deviennent la principale réponse, le volet accès de l’arbitrage devient plus difficile à écarter.

Le troisième signal est le comportement des produits. Les assistants de rédaction de plaintes et les outils institutionnels de traitement devraient être de plus en plus évalués sur leur retenue factuelle, la clarté des documents et leur lien avec les pièces justificatives. Une prose plus élaborée n’apporterait guère de réassurance.

Si les produits aident les utilisateurs à circonscrire les affirmations non étayées et à identifier la demande réelle, ils traiteraient une partie du problème de traitement à sa source. S’ils accélèrent surtout l’escalade, les institutions destinataires resteront sous pression pour absorber le travail supplémentaire.

Il s’agit de priorités d’observation, et non d’annonces programmées ou d’évolutions garanties. Elles offrent une manière d’évaluer la prochaine vague d’affirmations sans supposer que chaque mise en œuvre réussit ou que chaque demande supplémentaire crée un préjudice.

Elles donnent également aux travailleurs du savoir un prisme pratique pour leurs propres organisations. La question pertinente est de savoir où un document assisté par IA crée du travail après avoir quitté l’écran de son auteur. Un brouillon plus rapide peut rester utile, mais son bénéfice doit être évalué en tenant compte de ce qui se passe ensuite.

Pour les organismes publics, les orientations de l’ICO sur l’IA maintiennent une limite immédiate claire : l’assistance à la rédaction seule ne détermine pas comment une demande mérite d’être traitée. La tâche plus difficile consiste à bâtir des processus qui préservent cette distinction sous une pression soutenue.

Pour les lecteurs qui suivent cette histoire, regardez au-delà des affirmations sur les boîtes de réception débordantes ou les heures économisées par l’écriture automatisée. Demandez-vous si les institutions peuvent montrer que les personnes reçoivent des décisions exactes avec moins d’efforts inutiles. Demandez-vous si l’accès reste disponible pour une personne qui a besoin d’aide pour exprimer une préoccupation légitime. Demandez-vous si les nouveaux outils facilitent l’examen des preuves sous-jacentes. Ces questions relient l’expérience de l’expéditeur aux responsabilités du destinataire. Avant de considérer le prochain déploiement de l’IA comme une réussite de productivité, examinez ce qui se passe après l’arrivée du message : qui le lit, qui le vérifie, qui peut corriger une erreur, et si la personne qui demande de l’aide obtient une résolution utile.