알림 목록

Zone d'analyse : Ville métropolitaine de Busan

Zone centrale : Siège de la ville métropolitaine de Busan, 16 districts et comtés, et institutions publiques affiliées

Ordre du jour : Vérifier si l’IA et les données ont dépassé le stade de l’assistance administrative et ont réellement modifié les options politiques, les budgets, la mise en œuvre et les évaluations de performance.

Type de période faste : Expansion de l’IA administrative + Lacune dans les données probantes pour la prise de décision

Date de référence : 28/08/2026

Version : Norme d’amélioration AX Golden Time Intelligence v3.2 régionale
 

Fin 2025, Busan est devenue la première collectivité locale à déployer des services administratifs basés sur l'IA générative, s'appuyant sur des modèles de langage simples et l'augmentation des données de recherche. Début 2026, elle avait déployé 22 types de services – dont des FAQ, la rédaction de documents et la recherche de données administratives – dans tous ses départements. L'utilisation de l'IA dans l'administration est passée d'une simple utilisation individuelle d'IA générative externe à des services organisationnels combinant données administratives internes et systèmes de sécurité. Cependant, les registres de décisions publiques démontrant que l'utilisation de ces services a entraîné des comparaisons d'alternatives politiques, des modifications budgétaires, des suspensions de projets, des ajustements de zones cibles ou des changements de méthodes de mise en œuvre n'ont pas été vérifiés. Si le plan d'amélioration triennal 2026-2028 repose principalement sur le volume d'utilisation et le nombre de documents générés, l'IA administrative risque de stagner et de se limiter à un simple gain de vitesse. Bien que l' IA soit désormais utilisée dans tous les départements de Busan, rien ne permet d'affirmer qu'elle transforme les processus décisionnels.

Des questions concrètes de politique publique, telles que l'évolution des ventes suite à la transformation des jours de fermeture obligatoire des hypermarchés en jours ouvrables, les ventes par carte bancaire avant et après le projet « Ville du quart d'heure », la fréquentation des festivals et les ventes des zones commerciales, ainsi que les problèmes de stationnement dans l'arrondissement de Yeongdo, ont été enregistrées comme tâches d'analyse dans le cadre du projet Big Data Wave de Busan. L'utilisation des données évolue des requêtes statistiques vers la vérification des résultats avant et après la mise en œuvre des politiques. Cependant, les documents de suivi accessibles au public concernant les alternatives écartées et les décisions, budgets ou exécutions modifiés restent limités. Si les demandes d'analyse et les décisions politiques demeurent dans un système distinct pendant les deux ou trois prochaines années, le volume d'analyses risque d'augmenter, mais l'impact des décisions ne pourra être mesuré. Dans  l'administration de Busan, axée sur les données, si la formulation des questions et la réalisation des analyses sont confirmées, la traçabilité des modifications de décisions reste incertaine.

Le Plan de promotion de l'IA dans l'administration à l'horizon 2026 proposait l'adoption généralisée de l'IA dans l'ensemble de l'administration, tandis que le plan de travail pour le secteur des données prévoyait un approfondissement de l'analyse, la formation des employés et l'utilisation d'informations pseudonymisées pour relever les défis municipaux. La numérisation de l'administration est passée de projets pilotes partiels à un plan d'adoption généralisée dans tous les secteurs. En revanche, aucun référentiel public reliant la qualité des données départementales, la précision des réponses de l'IA, le comportement de vérification des utilisateurs, la fréquence des erreurs et les résultats pour les citoyens dans un cadre de performance unique n'a été défini. Si les services se développent rapidement entre 2026 et 2028, des données brutes de faible qualité et des réponses non vérifiées seront régulièrement intégrées aux procédures de travail.  Le risque lié au facteur temps pour l'IA administrative de Busan réside dans le fait que la vitesse d'adoption de l'IA dépasse celle de l'amélioration de la qualité des preuves et de la mise en place de systèmes de responsabilisation.

Des projets d'aide à la décision sont en cours dans divers secteurs, tels que la simulation de réseaux d'approvisionnement en eau, les villages océaniques intelligents et l'administration des audits basée sur l'IA. L'application de l'IA s'étend désormais des tâches documentaires courantes aux expertises en matière d'approvisionnement en eau, d'environnement marin, d'audit et de sécurité. Cependant, aucune donnée comparative publique n'est disponible pour confirmer dans quelle mesure les alertes prédictives ont modifié les priorités d'inspection, les allocations budgétaires et les décisions réglementaires et d'audit, ni si les résultats se sont améliorés. Si les systèmes sectoriels sont développés indépendamment au cours des deux à trois prochaines années, la ville de Busan ne disposera pas d'un système d'apprentissage administratif unifié, même si elle propose plusieurs services d'IA.  Actuellement, la « période faste » est perçue non pas comme la période d'expansion des services d'IA, mais comme les deux à trois années précédant le premier lien entre les décisions modifiées par l'IA et leurs conséquences.

Thèse du « temps d'or » — L'unité d'évaluation pour Busan Administrative AX n'est ni le nombre de services d'IA ni le nombre de documents générés. Elle est la durée du processus de décision, c'est-à-dire la capacité de l'IA et des données à aboutir à un choix différent des décisions existantes et à améliorer la situation des citoyens, des entreprises et de la région.

L'administration de la ville de Busan gère les transports, le bien-être social, la sécurité, l'industrie, l'environnement, le tourisme et l'urbanisme par l'intermédiaire de son siège principal, de ses unités opérationnelles, de ses 16 districts et comtés, ainsi que d'entreprises publiques, d'agences et d'institutions auxquelles elle a participé. Les données administratives sont distribuées et produites par de multiples organisations et agences mandatées, et non par une seule entité. Il est impossible de vérifier avec certitude, à partir des données publiques, dans quelle mesure les mêmes citoyens, entreprises, espaces ou projets sont gérés par différents services à l'aide d'identifiants et de cycles de mise à jour différents. Avec le développement des services d'IA des différents services sur ces données distribuées entre 2026 et 2028, des réponses et des évaluations des risques différentes concernant les mêmes problématiques pourraient émerger.  Le risque lié à l'échelle de l'administration de Busan est déterminé par la multiplicité des enregistrements relatifs à un même sujet administratif, et non par un manque de données.

Big-DataWave fournit des données publiques et privées, des statistiques, des services de conseil en analyse et des études de cas sur l'utilisation des données. La base de données de l'administration de Busan s'est étendue, passant de statistiques périodiques à l'analyse des politiques publiques grâce aux ventes par carte de crédit, aux données de mobilité de la population via les télécommunications, aux grilles spatiales et aux enquêtes. Cependant, aucun indicateur opérationnel public n'est disponible concernant le nombre total de demandes d'analyse enregistrées, le délai de traitement moyen, le taux de prise en compte des politiques et le taux de réutilisation. Alors que les délais d'attente et la duplication des analyses individuelles s'accumulent avec l'augmentation du volume des demandes sur une période de deux à trois ans, la capacité d'analyse globale de l'organisation reste inévaluée. Bien que  l'administration des données de Busan dispose d'une infrastructure d'analyse, sa capacité de traitement par rapport à la demande demeure inconnue.

Les services administratifs d'IA générative de Busan offrent 22 types de fonctionnalités, dont les questions-réponses, la recherche de données et la création de documents, à tous les départements. L'application de l'IA générative s'est étendue de la formation et des projets pilotes aux services courants en environnement de travail réel. Cependant, le nombre d'utilisateurs actifs par département, la fréquence d'utilisation, les gains de temps de travail, le temps de correction des erreurs et les taux d'acceptation/rejet des réponses n'ont pas été communiqués. Si seul le nombre de fonctionnalités augmente entre 2026 et 2028, les services peu utilisés et n'ayant pas permis d'améliorer significativement le rendement resteront considérés comme des réussites.  Bien que l'envergure de l'IA générative de Busan soit confirmée par le nombre de fonctionnalités, son utilisation réelle demeure incertaine.

L'aide à la décision s'appuyant sur des capteurs, des modèles et l'IA est encouragée dans les domaines des réseaux d'approvisionnement en eau, des environnements marins, de l'audit et de la sécurité. L'IA administrative a évolué vers une structure multicouche où des modèles de langage généralistes et des modèles de prédiction et de détection sectoriels fonctionnent simultanément. Cependant, l'existence de données publiques comparant un registre de modèles commun, la traçabilité des données, la précision, les cas d'erreur et la responsabilité opérationnelle à l'échelle de la ville n'a pas encore été confirmée. Avec l'augmentation du nombre de modèles spécialisés prévue dans les deux à trois prochaines années, le coût de la gestion intégrée des risques spécifiques à chaque modèle croîtra rapidement.  Si l'IA administrative de Busan est en pleine expansion multisectorielle, la gouvernance des modèles à l'échelle de la ville reste à mettre en place.

Les 22 types de services d'IA générative, la vague du Big Data et les plateformes intelligentes sectorielles témoignent de l'abondance des ressources en IA et en données à Busan. Les ressources numériques administratives ont évolué vers une structure où systèmes d'IA généralistes et systèmes d'analyse spécialisés coexistent au sein d'un portail statistique unique. Toutefois, l'existence d'un environnement d'exécution commun permettant de relier les résultats d'analyse des différentes plateformes aux mêmes réunions, approbations, budgets et évaluations de performance n'est pas encore confirmée. Avec l'augmentation du nombre de systèmes entre 2026 et 2028, la recherche d'informations pourrait s'accélérer, mais les divergences d'appréciation entre les organisations risquent de s'accentuer.  À ce jour, on constate une accumulation d'outils d'IA et de données, mais pas encore une intégration de l'écosystème décisionnel.

Les demandes d'analyse des ventes par carte avant et après le projet « Ville du quart d'heure », des ventes des marchés traditionnels et des petits commerces suite à la levée des restrictions sur la fermeture des grandes surfaces, ainsi que du trafic piétonnier et des ventes par carte avant et après les festivals, portent sur les résultats plutôt que sur les moyens mis en œuvre. Les enquêtes administratives se concentrent désormais non plus sur la mise en œuvre d'un projet, mais sur son impact réel sur l'économie locale. Or, aucun document public ne permet de relier les résultats d'analyse aux cas où les politiques existantes ont été maintenues, modifiées ou abandonnées. Si ces analyses restent cantonnées à un usage rétrospectif pendant deux ou trois ans, l'élargissement du champ d'application des questions relatives aux résultats n'entraîne aucune modification des processus décisionnels.  Bien que Busan manifeste un besoin d'analyse des résultats, un écosystème favorisant la coordination des politiques axées sur ces résultats reste à mettre en place.

La formation pratique en IA de 2025 couvrait la planification stratégique et les aspects techniques pour la mairie, les districts, les comtés et les organismes affiliés, tandis que le déploiement des services d'IA dans tous les secteurs était prévu pour 2026-2028. La structure de développement des compétences évolue de la simple utilisation d'outils aux capacités de planification des services. Cependant, lors de l'audit administratif de 2025 mené par le Conseil municipal de Busan, il a été constaté que plus de 80 % des formations en IA étaient de niveau élémentaire. Si le rythme de diffusion des services au cours des deux à trois prochaines années dépasse celui des capacités de planification et de vérification, les employés utiliseront les résultats de l'IA sans pouvoir identifier les limites et les erreurs des modèles.  On constate un décalage au sein de l'écosystème des talents administratifs en IA de Busan entre l'augmentation du nombre d'utilisateurs et les capacités de vérification avancées.

Le projet Smart Ocean Village développe la surveillance de l'environnement marin et l'aide à la décision basée sur l'IA, tandis que le secteur de l'approvisionnement en eau met en œuvre le big data et des simulations de réseaux de canalisations basées sur l'IA. L'administration de ces secteurs évolue, passant des plaintes et inspections a posteriori à la détection et à la prédiction proactives. Cependant, les données publiques comparant le taux de concordance entre les prédictions et les événements réels, les délais de réponse aux alertes et la réduction des accidents restent limitées. Même si le système est opérationnel entre 2026 et 2028, la plateforme restera un simple outil de surveillance si la précision des prédictions n'est pas corrélée à des actions sur le terrain. Bien que  l'IA sectorielle ait développé des capacités de prédiction, il manque des preuves écosystémiques démontrant que les prédictions ont réellement modifié les pratiques administratives.

L'IA générative réduit les coûts de collecte d'informations en traitant les recherches de données administratives et les brouillons de documents en quelques secondes. Le principal goulot d'étranglement administratif se déplace ainsi du temps consacré à la recherche de données vers celui consacré à la détermination des preuves fiables et des options à privilégier. Si les services d'IA de Busan offrent des fonctions de recherche et de rédaction, les données publiques ne permettent pas d'évaluer l'efficacité, les coûts et les risques des différentes options. Une simple augmentation de la vitesse de recherche entre 2026 et 2028 pourrait permettre la mise en place d'une structure capable de reproduire plus rapidement la logique des politiques existantes. Bien que l'évolution structurelle de l'administration des affaires administratives (AA) soit passée de la génération de documents à l'analyse et à la vérification, la fonction actuelle de Busan est considérée comme plus proche de la première.

Les services administratifs basés sur RAG renforcent la qualité des réponses en exploitant les données administratives internes. Cette structure marque un tournant dans l'intelligence artificielle générative, qui passe d'une approche centrée sur l'information publique disponible sur Internet à une approche centrée sur les données détenues par la ville de Busan. Cependant, aucun journal d'audit public – qui consigne le texte original cité dans la réponse, la date de référence, les documents contradictoires, les directives écartées, les niveaux de confiance et les noms des réviseurs finaux – n'est disponible. L'accumulation des données administratives sur deux à trois ans accroît le risque de mélanger incorrectement des éléments de preuve récents, anciens et contradictoires.  La lacune structurelle de l'IA générative de type Busan se manifeste davantage dans la détermination de la validité des preuves que dans la génération des réponses elles-mêmes.

Les données privées issues des cartes bancaires, des télécommunications et de l'analyse spatiale révèlent des changements dans les zones commerciales, de mobilité et résidentielles plus rapidement que les statistiques administratives. Les données probantes relatives aux politiques publiques sont désormais traitées en temps réel, à l'échelle journalière, horaire et même par grille de 50 mètres, au lieu de statistiques annuelles. Cependant, aucun système de divulgation n'a été identifié pour gérer les biais d'échantillonnage, les changements de fournisseurs de services, les modifications des formules de calcul, les coûts et la reproductibilité des données privées, en parallèle avec les documents justificatifs des décisions politiques. Si le recours aux données privées augmente entre 2026 et 2028, des modifications des contrats de fourniture pourraient perturber le cadre de référence des politiques publiques. Bien que  la gestion des données à Busan garantisse la rapidité, leur comparabilité et leur reproductibilité à long terme restent à confirmer.

L'administration des audits basée sur l'IA élargit le champ d'application de la sélection des cibles d'audit et de la détection des risques, passant d'inspections par échantillonnage à une recherche exhaustive fondée sur les données. La structure des audits évolue d'une détection a posteriori à la détection précoce des anomalies. Cependant, la collecte de données publiques permettant de vérifier les cibles d'audit sélectionnées par le modèle, les cibles non sélectionnées, les violations réelles, les faux positifs et les biais n'en est qu'à ses débuts. Si les recommandations de l'IA sont intégrées aux priorités d'audit entre 2026 et 2028, les faux positifs inexpliqués se transformeront également en charges administratives et en risques d'atteinte à la réputation.  Audit AX vise à démontrer simultanément un champ de détection élargi et une lacune en matière de responsabilité procédurale.

Le Plan de promotion de l'IA dans l'administration pour 2026 prévoyait une diffusion systématique de l'IA au sein de l'administration. Les projets pilotes menés par certains services ont été regroupés au niveau de la municipalité. Cependant, aucun registre de projets d'IA, présentant les données de référence, les objectifs, les services responsables, les niveaux de risque des modèles et les critères d'arrêt spécifiques à chaque projet dans un format commun, n'a été mis en place. Si le déploiement s'étend d'abord à tous les secteurs entre 2026 et 2028, il sera difficile de distinguer les projets peu performants de ceux à haut risque en utilisant les mêmes critères. La  stratégie d'IA de Busan est actuellement en phase de constitution du portefeuille, tandis que la gestion de la performance de ce portefeuille reste à confirmer.

Les services administratifs basés sur l'IA générative ont été déployés dans tous les départements début 2026, et un calendrier de déploiement progressif sur les trois années suivantes a été présenté. L'utilisation de l'IA, initialement limitée aux tests utilisateurs, est désormais intégrée à l'environnement de travail de tous les employés. Cependant, il n'existe pas encore de données de référence publiques permettant de comparer les heures travaillées, la précision du traitement des réclamations, les taux de correction, les reprises et les incidents de sécurité avant et après son utilisation. Une fois l'IA intégrée aux procédures de travail de base d'ici deux à trois ans, il deviendra difficile de comparer ses effets avec la période précédant son introduction.  Actuellement, si le calendrier de déploiement sur trois ans est clair, la méthode de mesure des effets causaux reste à définir.

Le plan de travail relatif aux données pour 2026 prévoit d'étendre l'analyse afin de résoudre les problèmes municipaux, de former les employés et d'utiliser des informations pseudonymisées. Le champ d'application de l'utilisation des données s'élargit, passant des statistiques publiques à l'analyse combinée qui protège les données personnelles. Cependant, aucune donnée ne permet de visualiser collectivement les résultats des politiques, les risques de réidentification, les échecs de combinaison, les périodes de délibération ou les changements de politique effectifs liés à l'analyse combinée pseudonymisée. Si l'utilisation et la protection des données sont gérées comme des indicateurs de performance distincts pour la période 2026-2028, il devient difficile d'évaluer le risque entre l'extension de l'analyse et la confiance du public.  La réponse de Busan à l'utilisation des informations pseudonymisées se situe actuellement au stade de l'élargissement de la base d'utilisation, et non encore au stade de l'évaluation intégrée des résultats et de la confiance.

La formation pratique en IA et en analyse de données s'est étendue aux administrations centrales, aux districts, aux comtés et aux institutions publiques. Les politiques de compétences ont évolué, passant de la formation d'un petit nombre d'experts en données à l'utilisation de l'IA par l'ensemble du personnel administratif. Toutefois, les performances analytiques réelles avant et après la formation, les changements dans la planification des politiques, les taux de détection des erreurs et les taux d'application sur le terrain ne sont pas divulgués. Si l'on  se contente de comptabiliser le nombre de stagiaires sur une période de deux à trois ans, il est impossible de distinguer l'élargissement de la formation de l'amélioration de la qualité de la prise de décision. Bien que la participation à la formation se soit accrue, son impact sur les résultats professionnels reste incertain.

Busan a annoncé le déploiement de services administratifs d'IA générative basés sur sLLM et RAG dans tous ses départements, devenant ainsi la première collectivité locale à le faire. L'adoption précoce d'un environnement de travail commun basé sur l'IA est confirmée par des comparaisons avec d'autres collectivités locales chinoises. Cependant, aucune comparaison des taux d'utilisation, des gains de temps, de la précision et des taux de changement de politique, selon les mêmes critères que pour les autres villes leaders, n'a été publiée. Si la qualification d'« adoption initiale » pour la période 2026-2028 remplace la comparaison des performances, la différence entre leadership technologique et performance administrative est occultée. Bien que  Busan montre des signes précurseurs au moment de l'adoption, ses résultats en matière de prise de décision sont jugés incomparables.

La gouvernance de l'IA dans le secteur public international se concentre sur la gestion de la traçabilité des données, la validation humaine, l'explicabilité, l'évaluation d'impact, le traitement des objections et le suivi des modèles. Les services d'IA générative de Busan reposent sur l'utilisation de systèmes de sécurité et de données internes. Toutefois, la divulgation, au niveau municipal, des approbations relatives aux niveaux de risque, des évaluations d'impact sur les citoyens, des déclarations d'erreurs et de l'historique des modifications des modèles n'a pas été confirmée. À mesure que l'IA se développera dans les domaines de la participation citoyenne, de l'audit et de la sécurité au cours des deux à trois prochaines années, la responsabilité procédurale, plutôt que la facilité d'utilisation, déterminera la compétitivité. Si  Busan est bien préparée à l'adoption technologique, sa préparation en matière de gouvernance publique reste à confirmer.

Les grandes collectivités locales, telles que Séoul et Gyeonggi, exploitent des organismes d'analyse de données, des données publiques, des jumeaux numériques et des services d'IA de manière multicouche. Busan s'efforce également de réduire son déficit d'outils en mettant en place une initiative Big Data Wave et des plateformes d'IA sectorielles. Cependant, les indicateurs comparables pour l'analyse → changement de décision → résultat entre les villes n'ont pas été standardisés au niveau national. Comparer uniquement le nombre de plateformes et les budgets pour la période 2026-2028 ne permet pas d'évaluer la productivité administrative réelle de Busan ni son impact sur ses habitants.  La position de Busan au niveau national est considérée comme étant dans la moyenne supérieure en matière d'équipement, mais elle présente un déficit de données commun au moment de la prise de décision.

L'analyse du concept de « ville en 15 minutes » de Busan, de ses festivals, de ses quartiers commerçants, de ses transports et de son environnement marin aborde les problématiques locales en les combinant à des données du secteur privé. Cette approche représente une structure plus élaborée que celle qui se contente d'utiliser des statistiques administratives structurées. En revanche, la gestion des données probantes selon des normes communes concernant la reproductibilité des analyses, les groupes témoins, les données de référence et les résultats après intervention demeure limitée. Même si le nombre de cas analysés augmente sur deux ou trois ans, les enseignements tirés ne sont pas intégrés à l'ensemble de la ville si les protocoles de comparaison diffèrent.  La force relative de Busan réside dans le réalisme de ses sujets d'analyse, tandis que sa faiblesse tient à la standardisation des résultats d'analyse en vue d'expérimentations politiques.

L'intégration des 22 types de services d'IA générative à leur application dans tous les départements confirme leur fonctionnalité et leur portée de déploiement. Cependant, l'absence de données sur le nombre d'utilisateurs actifs, le nombre de requêtes, les taux d'adoption, les taux de modification, les gains de temps et les taux de changement de politique ne permet pas d'évaluer la performance en matière d'utilisabilité. Le nombre de services multiplié par le nombre de départements illustre l'ampleur de la diffusion, mais ne reflète pas la performance administrative. Si le nombre de fonctions augmente entre 2026 et 2028, les indicateurs de succès, sans dénominateur, pourraient s'améliorer.  Les chiffres actuels concernant l'IA générative à Busan représentent l'échelle de mise en œuvre, tandis que la productivité de la prise de décision est déterminée par l'écart de données.

Les demandes d'analyse pour Big-DataWave portent sur des enjeux politiques concrets tels que le concept de « ville du quart d'heure », les fermetures obligatoires d'hypermarchés, les festivals, le stationnement, la circulation piétonne et les ventes aux consommateurs. Le nombre de demandes et l'indicateur de « réponse complète » démontrent le bon fonctionnement du service d'analyse. Cependant, les données relatives à l'évolution du processus, de la « réponse complète » à la « prise en compte de l'approbation », à la « modification du projet » et au « changement de résultat », ne sont pas divulguées. Si le nombre de dossiers traités s'accumule sur deux à trois ans, la performance du traitement des analyses et celle des changements de politique pourraient être perçues comme identiques.  Le taux de réalisation des analyses est considéré comme un indicateur de service administratif, et non comme un indicateur d'efficacité des politiques.

L'analyse des ventes de cartes avant et après le projet de la « Ville du quart d'heure » ​​a été demandée afin de comparer les évolutions en 2023 et 2024, et plus précisément avant et après sa mise en service. Bien qu'une structure de comparaison temporelle existe, les informations fournies ne permettent pas de confirmer, à elles seules, que les zones de contrôle, la conjoncture économique, les prix et les facteurs saisonniers ont été correctement distingués. Les simples variations observées avant et après la mise en œuvre du projet mêlent les effets de la politique économique à des changements externes concomitants. Si des analyses similaires sont répétées entre 2026 et 2028, des erreurs d'interprétation des relations de cause à effet pourraient s'accumuler, entraînant des augmentations ou des réductions budgétaires.  La lacune numérique de l'analyse des données de Busan réside dans le décalage entre la mesure de l'évolution et l'établissement des liens de causalité.

L'analyse du report des fermetures obligatoires des hypermarchés aux jours de semaine est une question de politique publique qui compare les ventes des hypermarchés, des marchés traditionnels et des petits commerces. Elle confirme un changement structurel visant à examiner la répartition des bénéfices entre les différentes parties prenantes plutôt que les ventes d'un seul secteur. Cependant, les résultats globaux combinant les avantages pour les consommateurs, les conditions de travail des employés, l'essor de la consommation en ligne et les effets à long terme ne sont pas identifiés. Si les conclusions se fondent uniquement sur les ventes par carte de crédit à court terme, sur une période de deux à trois ans, les coûts et les avantages de cette politique se limitent à certains groupes. Bien que  l'analyse de Busan, basée sur les données, ait permis des comparaisons entre plusieurs groupes, il apparaît qu'elle n'a pas permis d'appréhender l'ensemble des conséquences sociales.

Bien que le nombre de participants et de formations en IA témoigne de l'apport de nouvelles compétences, un audit du conseil municipal a révélé que plus de 80 % de certaines formations sont de niveau élémentaire. Ceci démontre qu'une augmentation du volume de formations n'entraîne pas nécessairement l'acquisition de compétences avancées. La formation n'a pas été corrélée à la qualité de l'analyse en situation de travail, à la validation des modèles ni à l'évolution des politiques. Si le développement axé sur la formation de base se poursuit entre 2026 et 2028, la situation perdurera, avec une augmentation du nombre d'utilisateurs d'IA mais une pénurie de décideurs compétents.  Le nombre de sessions de formation indique une expansion, mais les capacités de jugement de l'organisation restent à évaluer.

La première lacune réside dans l'absence d'un registre des décisions . Les demandes d'analyse, les réponses de l'IA, les documents administratifs, les approbations, les budgets et les résultats d'exécution sont consignés individuellement. Toutefois, les documents publics liés à un même identifiant de politique, permettant d'identifier les éléments de preuve ayant écarté les alternatives existantes et modifié la décision finale, ne sont pas disponibles. Avec la généralisation de l'utilisation de l'IA entre 2026 et 2028, il deviendra encore plus difficile de suivre son impact réel sur le processus décisionnel.  La principale lacune du système d'analyse des données administratives de Busan concerne la traçabilité des modifications de décision, plutôt que les capacités analytiques.

La seconde lacune réside dans l'absence de données de référence . Bien que les 22 types de services d'IA générative présentent leurs fonctionnalités, aucune valeur de référence commune n'a été divulguée concernant les heures de travail, les taux d'erreur, la qualité des réclamations et les délais de traitement des demandes avant la mise en œuvre. Cette structure offre des critères de comparaison insuffisants, même en cas de modifications postérieures à la mise en œuvre. Si l'IA s'impose comme environnement de travail standard d'ici deux à trois ans, il deviendra pratiquement impossible de comparer l'état initial avec un groupe témoin non utilisateur.  L'IA générative de Busan présente un niveau de préparation à la vérification de son efficacité inférieur à son niveau de préparation au déploiement.

La troisième lacune réside dans la gestion non vérifiée de la provenance des données et des dates de référence . Bien que RAG utilise des données internes, les dossiers administratifs contiennent des directives antérieures à la révision, des documents en double et des statistiques contradictoires. Il n'existe aucune structure confirmée permettant de suivre publiquement les données et les dates de référence utilisées par les réponses de l'IA. À mesure que le volume de documents augmente entre 2026 et 2028, le risque de voir se répéter des erreurs de mise à jour, notamment dans la formulation de phrases exactes, s'accroît.  La lacune en matière d'administration fondée sur des preuves ne réside pas dans l'accès aux données, mais dans la capacité à déterminer la validité des données.

Le quatrième problème réside dans le manque de cohérence entre l'analyse et le budget . Même si l'analyse des données confirme l'efficacité des politiques, les documents publics permettant de l'associer aux augmentations, réductions ou suppressions budgétaires de l'année suivante sont limités. La structure est telle que l'analyse est gérée comme un document de référence, tandis que le budget fait l'objet d'un examen distinct. Si des projets peu performants sont systématiquement inclus dans le budget pendant deux ou trois ans, indépendamment des résultats d'analyse, les avantages financiers d'une administration fondée sur les données disparaissent.  La capacité de décision de Busan est jugée non confirmée lors des réaffectations budgétaires, et non lors de l'analyse des politiques.

Le cinquième problème réside dans le manque d'apprentissage organisationnel concernant les erreurs d'IA . L'IA générative et les modèles prédictifs peuvent produire des réponses incorrectes, des omissions, des biais et des faux positifs. Aucun registre n'a été trouvé pour la ville de Busan qui centralise et publie les cas d'erreurs, les délais de correction, les taux de récurrence et les modifications de version par modèle. Avec l'augmentation du nombre de services entre 2026 et 2028, une même erreur pourrait se propager aux documents et aux décisions de plusieurs services.  Le risque pour la gestion de l'IA à Busan ne résiderait pas dans l'existence d'erreurs, mais dans une structure qui ne les intègre pas à la mémoire organisationnelle.

Les services administratifs Big Data Wave et IA générative fournissent respectivement des données analytiques et une infrastructure de soutien aux entreprises. La ville de Busan dispose actuellement de capacités d'interrogation et d'analyse de données, ainsi que d'une IA de recherche documentaire. Cependant, aucun élément de preuve public ne confirme le lien entre ces deux infrastructures et un même identifiant de tâche politique. Si des mises à niveau distinctes sont déployées entre 2026 et 2028, les résultats de l'analyse des données pourraient ne pas être intégrés aux réponses de l'IA générative, ou les dates de référence pourraient être modifiées.  Bien que plusieurs infrastructures techniques soient sécurisées, l'interopérabilité au niveau des politiques reste à confirmer.

Des formations en IA et en gestion des données ont été dispensées au siège, aux districts, aux comtés et aux organismes affiliés, et une formation pratique à la planification a également été mise en œuvre. Le public cible de ces formations a été élargi, passant d'un personnel informatique sélectionné à l'ensemble des agents chargés des politiques publiques. Par ailleurs, l'audit administratif de 2025 a mis en évidence un manque de capacités avancées en matière d'applications et de convergence. Si l'IA se généralise dans tous les services au cours des deux à trois prochaines années, un goulot d'étranglement pourrait apparaître, un seul vérificateur devant traiter les erreurs de plusieurs utilisateurs.  L'infrastructure en matière de talents est actuellement en phase d'expansion du nombre d'utilisateurs, tandis que le personnel de vérification avancée est jugé en pénurie.

L'infrastructure d'utilisation des données relatives aux ventes par carte, aux flux de télécommunications, aux grilles spatiales, aux statistiques administratives et aux informations pseudonymisées permet d'observer les phénomènes politiques sous différents angles. Cette infrastructure s'est étendue des données publiques structurées à l'intégration public-privé. Toutefois, les données permettant de gérer collectivement l'impact des biais d'échantillonnage, des modifications de formules, des valeurs manquantes et de l'arrêt de la collecte de données sur les résultats d'analyse restent à identifier. L'augmentation du recours aux données privées entre 2026 et 2028 entraînera des modifications des contrats et des formules, perturbant ainsi la chronologie des résultats politiques. Bien que  la disponibilité des données se soit étendue, leur qualité et leur continuité ne sont pas encore garanties.

Le plan de promotion de l'administration de l'IA de la ville de Busan et son système de sécurité et d'information des données personnelles constituent le socle institutionnel de l'utilisation de l'IA. L'introduction de l'IA est passée d'une utilisation autonome par les employés à un système administratif formel. Cependant, aucun système intégré ne permet de rendre public le jugement humain final dans les prises de décision à haut risque, la notification aux citoyens, les objections, les domaines d'automatisation interdits et les critères d'arrêt des modèles. Si l'application s'étend aux secteurs des plaintes civiles, de l'aide sociale, de l'audit et de la sécurité au cours des deux à trois prochaines années, les lacunes procédurales risquent de constituer des atteintes aux droits des citoyens.  Il apparaît que, bien que le système ait été approuvé pour son adoption, son impact réel reste à démontrer.

Les services administratifs basés sur l'IA générative visent à réduire la charge de travail des employés et les délais de réponse du public en facilitant la recherche de données administratives et la rédaction des réponses aux plaintes. L'infrastructure repose sur une technologie opérationnelle interne qui s'étend jusqu'à la qualité des réponses au contact des citoyens. Cependant, aucune comparaison des délais de traitement des plaintes, des taux de réexamen, des taux d'erreur et de la satisfaction des citoyens avant et après la mise en œuvre n'a été publiée. Même si l'utilisation par les employés augmente entre 2026 et 2028, si la rapidité et la précision perçues par les citoyens ne s'améliorent pas, l'IA administrative restera un simple outil d'efficacité interne. Bien que  l'adoption par les citoyens ait été présentée comme un effet attendu, les résultats concrets restent à confirmer.

L'analyse des données relatives aux fermetures obligatoires de grandes surfaces, à l'initiative « ville du quart d'heure », aux festivals et aux zones commerciales cible des politiques ayant un impact direct sur la vie des petits commerçants et des résidents. La gestion des données évolue : de la production de rapports internes, elle se concentre désormais sur l'analyse des retombées économiques régionales. Toutefois, les preuves concrètes démontrant que les résultats de ces analyses ont modifié l'environnement des affaires, l'aménagement des locaux, les budgets et la conception des événements restent limitées. Si une analyse est menée à son terme après deux ou trois ans, les entreprises locales demeurent de simples cibles pour la collecte de données et ne bénéficient pas des changements de politique.  Bien que l'analyse ciblant les entreprises et les résidents se soit développée, l'impact tangible des décisions prises reste à confirmer.

Les données publiques et la vague du Big Data offrent un accès aux données aux petites et moyennes entreprises (PME) et aux citoyens. L'utilisation des données s'est étendue de l'administration interne au secteur privé. Cependant, le lien régulier entre les performances des données ouvertes – impact sur les produits, services, ventes et emplois des entreprises – et les problèmes de qualité des données n'est pas vérifié. Si seul le nombre d'ensembles de données augmente entre 2026 et 2028, les données à faible utilité réelle resteront un acquis de l'ouverture. Bien que  l'accessibilité soit avérée, les retombées industrielles restent à démontrer.

Les systèmes d'audit, de sécurité, d'approvisionnement en eau et de protection de l'environnement marin basés sur l'IA visent à réduire les dommages subis par les citoyens en détectant précocement les accidents, la corruption et les fuites. Les bénéfices pour les résidents se manifestent non pas par la mise en œuvre du système, mais par la réduction des accidents, le temps de rétablissement, la qualité de l'eau et la sécurité. Les données publiques disponibles sur l'évolution des dommages et des coûts liés aux faux positifs avant et après l'introduction de ces systèmes sont limitées. Si seul le nombre d'alertes et de contrôles augmente sur deux ou trois ans, les avantages pour les résidents sont masqués par les résultats de la mise en œuvre de ces technologies administratives.  La diffusion de l'IA par secteur auprès des résidents est confirmée en termes de capacités de détection, mais son impact sur la réduction des dommages reste à confirmer.

Bien que la mairie de Busan dispose de services d'IA générative communs et de services de données spécialisés, les effectifs, les budgets et l'expérience en analyse de données varient d'un district et d'un comté à l'autre. Malgré l'objectif d'extension du système d'IA administrative à l'ensemble des services et districts, ses capacités de mise en œuvre réelles peuvent différer selon la taille de l'organisation. Les données comparatives des taux d'utilisation, des demandes d'analyse, des analyses internes et des taux de prise en compte des politiques par district et comté sont indisponibles. Si ces écarts de capacités s'accentuent entre 2026 et 2028, la précision des politiques fondées sur les données pourrait varier, même d'un citoyen de Busan à l'autre, en fonction de son adresse. Il  apparaît qu'au sein du système d'IA administrative de Busan, l'accès aux services ne correspond pas à l'équilibre des capacités d'utilisation.

Les demandes d'analyse du projet Big Data Wave portent notamment sur des problématiques régionales spécifiques, telles que la circulation piétonne à Dong-gu, le stationnement à Yeongdo-gu, les zones commerciales de Busanjin-gu et le festival de Gwangalli. Bien que la demande de données soit présente dans tout Busan, la nature des problèmes et la difficulté d'obtention des données varient. Si l'assistance à l'analyse est fournie sur demande, les organisations disposant de solides compétences en matière d'applications et de conception de projets ont plus de chances d'obtenir un soutien. Si cette structure est maintenue pendant deux à trois ans, les régions n'ayant pas formulé de demandes d'analyse efficaces seront exclues avant celles qui manquent de données.  Il apparaît que les disparités spatiales sont davantage liées à la capacité à formuler des questions administratives qu'à la possession de données.

Le trafic piétonnier et les ventes par carte, mesurés sur une grille de 50 m, permettent de saisir les changements de mode de vie à l'échelle du quartier et au-delà. L'unité d'analyse administrative passe des moyennes de district et de comté aux micro-zones résidentielles. Toutefois, il n'est pas encore établi que la même résolution spatiale et le même cycle de mise à jour soient appliqués à tous les domaines d'action. Si seules certaines zones sont observées avec précision entre 2026 et 2028, des zones non observées pourraient être considérées à tort comme n'ayant aucune demande.  Bien que le système de suivi spatial de Busan ait été perfectionné, l'uniformité des observations sur l'ensemble de la région reste à confirmer.

Le centre-ville historique, Busan Ouest et Busan Est se distinguent par leur population, leur industrie, leurs transports et leurs infrastructures commerciales. Même en appliquant le même modèle d'IA à l'ensemble de la ville, les erreurs de prédiction varient selon les régions si la composition régionale des données d'entraînement diffère. Aucune donnée publique ne compare les performances du modèle par district, comté, âge, revenu ou taille d'entreprise. Si l'on ne tient compte que de la précision moyenne sur deux ou trois ans, la faible précision des zones vulnérables est masquée par cette moyenne globale.  Le risque spatial de l'IA administrative de Busan est davantage lié à l'invisibilité des taux d'erreur régionaux qu'au déploiement du service lui-même.

Les services administratifs d'IA générative de type Busan ont été déployés dans tous les départements début 2026 et seront progressivement améliorés et étendus au cours des trois années suivantes, de 2026 à 2028. Les deux à trois années suivantes permettront aux fonctions initiales, aux données et aux habitudes d'utilisation de se consolider en tant que procédures opérationnelles standard. La situation de référence avant l'introduction de l'IA et le rapport d'impact sur les décisions relatives à son utilisation n'ont pas encore été divulgués. Une fois les procédures de base bien ancrées, il deviendra difficile de comparer le travail avec celui effectué sans IA, et les mauvaises pratiques d'utilisation risquent de devenir la norme.  Actuellement, la période optimale est définie non pas avant l'introduction de l'IA, mais avant la consolidation des normes opérationnelles initiales sur trois ans.

L'IA et l'analyse des données se développent rapidement dans des domaines tels que la ville du quart d'heure, les zones commerciales, les festivals, les transports, les affaires maritimes, l'approvisionnement en eau et l'audit. Leur champ d'application s'est étendu des tâches générales aux expertises ayant un impact sur les droits et la sécurité des citoyens. Or, aucun système de transparence n'intègre la gestion des niveaux de risque, des erreurs, des objections et des critères de suspension. Si l'automatisation s'étend aux secteurs à haut risque entre 2026 et 2028, il sera difficile d'appliquer a posteriori des compléments réglementaires aux décisions et plaintes déjà accumulées. La période cruciale pour une gouvernance efficace se situe avant que l'application des mesures à haut risque ne devienne une pratique courante.

L'utilisation des données privées de cartes de crédit et de télécommunications, ainsi que des informations pseudonymisées, révèle les tendances politiques plus rapidement que les statistiques administratives. À Busan, le rythme d'analyse des données s'accélère, passant de statistiques annuelles à des unités mensuelles, quotidiennes, voire horaires. Toutefois, le système de divulgation publique permettant de gérer les modifications apportées aux formules, aux échantillons et aux contrats relatifs aux données privées, ainsi que les comparaisons à long terme, demeure limité. Si des politiques s'appuyant sur les mêmes données sont mises en œuvre pendant deux ou trois ans, la reproductibilité des décisions antérieures disparaît après un changement de fournisseur.  Le « période optimale pour les données » se situe avant la rupture de la continuité des données de référence, et non avant l'augmentation du volume d'utilisation.

Bien que la formation des employés se soit développée, l'audit administratif de 2025 a mis en évidence une importance excessive accordée aux formations de base. Ceci démontre que le rythme de diffusion des services d'IA diffère du rythme de croissance des effectifs des responsables de la planification et de la vérification. Les données mesurant les capacités avancées et la détection effective des erreurs restent à confirmer. À mesure que l'utilisation de l'IA se généralisera pour tous les employés entre 2026 et 2028, il deviendra difficile pour un petit nombre d'experts de vérifier l'ensemble des modèles, des données et des réponses. Le  moment opportun pour développer les talents se situe avant que le nombre d'utilisateurs ne dépasse structurellement celui des vérificateurs.

12-1. Cas d'application du concept de « temps d'or » dans les administrations locales de base ① — Busanjin-gu

Une demande d'analyse des variations des ventes de cartes bancaires avant et après le projet de la « Ville du quart d'heure », concernant les quartiers résidentiels de Dangam et Gaegeum, a été adressée à Big-Data Wave. L'évaluation des politiques d'aménagement des quartiers résidentiels de Busanjin-gu s'est déplacée de l'achèvement des infrastructures vers les résultats de vente réels des zones commerciales environnantes. Cependant, aucune analyse publique ne permet de distinguer les effets des prix, de la saisonnalité, de la conjoncture économique et des zones de contrôle sur les variations observées avant et après l'achèvement des travaux, ni d'évaluer les éventuelles modifications ultérieures des politiques mises en œuvre. Si le projet de la « Ville du quart d'heure » ​​est étendu selon la même méthode entre 2026 et 2028, les erreurs d'appréciation initiales pourraient se reproduire dans d'autres quartiers résidentiels.  Bien que des questions relatives aux résultats basés sur les données aient été soulevées à Busanjin-gu, il est établi que le stade de la confirmation des effets des politiques mises en œuvre n'est pas encore atteint.

Les zones de Dangam et Gaegeum utilisent des zones de vie réelles – plus grandes que les dongs mais plus petites que les districts – comme unités d'aménagement. L'évaluation spatiale s'est déplacée de la moyenne des dongs administratifs vers des zones de vie qui combinent mobilité et consommation des résidents. Cependant, aucune preuve publique confirmée ne permet d'établir un lien entre la population flottante, les ventes de cartes, l'accessibilité des équipements, la satisfaction des résidents et la viabilité commerciale dans le cadre d'une zone de vie donnée. Si les projets de zones de vie représentatives sont achevés dans un délai de deux à trois ans, seuls les résultats de performance spécifiques aux équipements pourraient subsister, sans point de référence.  Le moment opportun pour Busanjin-gu ne réside pas dans l'existence même de l'analyse des zones de vie, mais dans la période durant laquelle il est possible de déterminer si cette analyse a influencé l'implantation et les budgets des équipements ultérieurs.

12-2. Cas d'application du délai d'or dans les administrations locales de base ② — Yeongdo-gu

L'arrondissement de Yeongdo-gu a sollicité une analyse de données concernant sa pénurie de places de stationnement après que l'analyse des plaintes recueillies auprès de Saeol a confirmé que les problèmes de stationnement étaient les plus fréquents. Ce cas illustre une évolution des plaintes des résidents, qui ne se limitaient plus à un simple regroupement de problèmes récurrents, mais alimentaient désormais les débats sur les politiques publiques. Cependant, aucun document de suivi public ne permet de confirmer quelles décisions – telles que l'attribution des places de stationnement, les horaires de contrôle, les transports en commun ou les itinéraires touristiques – ont été modifiées suite à cette analyse. Si la demande de stationnement évolue entre 2026 et 2028 en raison du tourisme, du logement et du vieillissement de la population, les analyses de plaintes antérieures deviendront des données ponctuelles, avec un point de référence différent.  Bien que le cas de Yeongdo-gu illustre un problème de politique publique mis en évidence par les données, il reste à confirmer que ces dernières ont influencé les solutions envisagées.

Le problème de stationnement à Yeongdo-gu est complexe, car les besoins horaires des résidents, des touristes, des commerçants et des personnes à mobilité réduite se heurtent dans un même espace. Le nombre de plaintes, à lui seul, ne permet pas de déterminer la demande de chaque groupe ni les périodes de congestion. De plus, il est impossible de vérifier publiquement un lien entre les plaintes, la rotation des places de stationnement, le stationnement illégal, la sécurité des piétons et les recettes commerciales. Si l'on se base principalement sur le volume de plaintes pendant deux ou trois ans, les zones à fort taux de signalement et celles présentant des risques réels finissent par se confondre. La  « période optimale » à Yeongdo-gu correspond à la période durant laquelle il est possible de déterminer les causes des plaintes et les différences entre les différentes solutions possibles, en allant au-delà de la simple identification des zones à forte concentration de plaintes.

Si les données relatives à l'utilisation, aux erreurs, aux corrections et à l'adoption de l'IA lors de sa mise en œuvre initiale dans tous les services en 2026 ne sont pas conservées, le point de référence pour comparer les performances administratives ultérieures disparaîtra. Le soutien au travail par l'IA est structuré pour se déployer progressivement sur trois ans, les tâches non utilisées diminuant rapidement. Les résultats actuellement publiés avant et après la mise en œuvre sont limités. Après 2026-2028, il deviendra difficile de déterminer si l'IA a amélioré les processus de travail ou si elle a simplement absorbé une augmentation de la charge de travail.  La première perte sera déterminée par les données causales issues des premières phases d'adoption de l'IA, plutôt que par le budget technologique.

Si les résultats d'analyse ne sont pas liés aux approbations, aux budgets et à la mise en œuvre, les analyses portant sur les mêmes problèmes se répètent d'un service à l'autre et d'une année à l'autre. Bien que de nombreuses questions politiques concrètes soient identifiées grâce au Big Data, l'historique de réutilisation et des changements de décision n'est pas divulgué. Si des mutations de personnel et des restructurations organisationnelles surviennent sur une période de deux à trois ans, les prémisses, les limites et les décisions subséquentes de l'analyse sont dissociées de la mémoire organisationnelle.  La seconde perte est alors due non pas aux rapports individuels, mais à une mémoire administrative qui ne recense pas les erreurs politiques commises.

Si les erreurs dans les réponses et les modèles de prédiction de l'IA ne sont pas consignées dans un registre, elles se reproduiront avec les mêmes données, invites et modèles. Bien que les services s'étendent à tous les départements et domaines spécialisés, un système d'apprentissage des erreurs à l'échelle de la ville n'a pas encore été validé. Avec le perfectionnement de plusieurs systèmes entre 2026 et 2028, les versions et les responsables évolueront, rendant la reproduction des erreurs passées difficile.  Le troisième facteur de perte n'est pas lié aux chiffres de précision, mais au temps d'apprentissage nécessaire pour intégrer les erreurs dans les décisions ultérieures.

Si les disparités en matière de personnel de traitement des données et de conception des questionnaires s'accentuent entre les districts et les comtés, le soutien à l'analyse risque d'être concentré dans les organisations dotées de capacités d'application plus élevées plutôt que dans les régions où la demande  est forte. Actuellement, des systèmes d'analyse à la demande et des tâches régionales sont identifiés, mais aucune demande réelle n'est constatée. Si cette structure se maintient pendant deux ou trois ans, le déficit administratif en matière d'analyse des données se transformera en un déficit de services régionaux. La quatrième perte n'est pas due à l'égalité technologique, mais à l'équité des décisions politiques, qui ne doivent pas être influencées par l'adresse ou les capacités organisationnelles.

Busan dispose déjà de services d'IA générative dans tous ses départements, de la plateforme Big Data Wave, de l'utilisation d'informations pseudonymisées, ainsi que de plateformes d'IA sectorielles et de formations pratiques. Les composantes d'Administrative AX ne sont pas totalement absentes, mais plutôt dispersées à différents niveaux. Cependant, les preuves liées par les identifiants de politique et les journaux de décision n'ont pas encore été vérifiées. Il est encore temps de comparer les ressources existantes sur la base des mêmes résultats politiques avant que la structure du système ne soit fixée entre 2026 et 2028.  Actuellement, cette période est perçue comme une opportunité pour établir la connectivité décisionnelle des ressources dispersées plutôt que comme la mise en place d'un nouveau système.

Les demandes d'analyse concernant le projet de « ville du quart d'heure », les grands supermarchés, les festivals et le stationnement montrent que l'administration s'interroge déjà sur les effets des politiques publiques. Le problème de Busan ne réside pas dans l'absence de questions, mais dans le manque de comptes rendus de décisions faisant suite aux réponses. Aucun lien public entre les résultats des analyses et les changements de politique n'a été établi. Si les demandes d'analyse continuent d'augmenter au cours des deux ou trois prochaines années, la capacité à justifier les décisions prises deviendra le critère déterminant de la productivité administrative.  L'enjeu actuel ne réside pas dans l'augmentation du volume des analyses, mais dans la mise en place d'une phase où les questions politiques pertinentes peuvent être consignées comme éléments de preuve reproductibles pour les décisions prises.

L'IA générative basée sur RAG exploite les données administratives internes de la ville de Busan. Celles-ci permettent de réutiliser les justifications des politiques passées de l'organisation tout en réduisant les temps de recherche. Cependant, la structure de recherche permettant de vérifier la validité des données, d'identifier les points de désaccord et d'analyser les résultats des décisions n'a pas été divulguée. Si la justification et le résultat ne sont pas liés avant l'augmentation du volume de données administratives prévue entre 2026 et 2028, l'IA pourra certes localiser rapidement les documents antérieurs, mais sera incapable de distinguer le succès de l'échec des décisions passées.  Actuellement, cette période est considérée comme une opportunité, car elle correspond à la phase initiale d'exploitation durant laquelle les documents administratifs peuvent servir de données d'apprentissage organisationnel.

L'audit administratif du Conseil métropolitain de Busan remet publiquement en question le niveau de formation en IA et l'efficacité des projets. Le dispositif actuel repose sur la diffusion de l'IA par l'administration et la vérification externe menée par le Conseil. Cependant, le lien entre les données issues de l'audit, l'administration municipale, les modifications apportées aux modèles et à la formation, et les résultats obtenus, n'est pas vérifié. Si la vérification par le Conseil se limite à des enquêtes individuelles pendant deux ou trois ans, la gouvernance de l'IA risque d'être fragmentée entre les revues budgétaires et les rapports de projets.  L'opportunité réside actuellement dans la période durant laquelle le fonctionnement interne et la vérification externe de la gouvernance de l'IA peuvent être intégrés dans une chaîne de preuves unique.

Exécution administrative AX

Question de politique générale → Situation de référence → Analyse des données et de l'IA → Comparaison des alternatives → Changement de décision → Budget → Mise en œuvre → Impact sur les citoyens → Écart → Audit et vérification par le conseil → Correction → Prochaine décision

Expansion de l'IA administrative + déficit de données probantes pour la prise de décision

L'administration de l'IA et des données de la ville de Busan a dépassé la phase d'introduction et se trouve maintenant dans la phase d'expansion à travers tous les départements.

La recherche de tâches, la création de documents et l'analyse individuelle des politiques sont confirmées.

Il n'y a aucun lien entre ce que l'IA et les données ont modifié concernant les décisions existantes et l'évolution des résultats.

Le danger actuel ne réside pas dans une administration qui n'utilise pas l'IA, mais dans une administration qui utilise l'IA mais qui est incapable de déterminer si elle a permis de prendre de meilleures décisions.

La décision finale est : Expansion de l’IA administrative + Lacune dans les preuves décisionnelles.

1. Utilisateurs actifs de l'IA générative par département
2. Fréquence d'utilisation de l'IA par employé
3. Taux d'utilisation par 22 types de services
4. Taux d'adoption, de modification et de rejet des réponses de l'IA
5. Taux de correction moyen des documents générés par l'IA
6. Réduire le temps de recherche des données administratives
7. Réduire le temps consacré à la rédaction des plaintes civiles
8. Taux de réexamen des plaintes civiles avant et après l'utilisation de l'IA
9. Nombre d'erreurs, d'omissions et de biais dans les réponses de l'IA
10. Délai entre la découverte de l'erreur et sa correction
11. Taux de récurrence de la même erreur
12. Réception, traitement et délai d'attente de la demande d'analyse
13. Taux de réflexion des résultats d'analyse approuvés
14. Taux de changement des alternatives politiques après analyse
15. Taux de variation de la cible et de la région du projet après analyse
16. Augmentation, diminution et taux d'achèvement du budget après analyse
17. Taux de divulgation de référence avant la mise en œuvre par politique
18. Rapport d'analyse utilisant la région témoin/le groupe témoin
19. Historique des modifications apportées à la formule et à l'échantillon des données privées
20. Précision, faux positifs et détections manquées par modèle
21. Écart entre l'utilisation de l'IA et l'analyse interne par district/comté
22. Taux d'application des candidatures en cours d'emploi après la formation
23. Nombre de spécialistes en IA avancée et en vérification des données
24. Taux de correction réel suite aux problèmes soulevés par le conseil et l'audit
25. Amélioration du taux de réussite des citoyens et des entreprises après un changement de politique

LACUNES DE DONNÉES : Dans les preuves publiques, le processus décisionnel de la ville de Busan reliant l’enquête politique → l’analyse des données/IA → la comparaison de la proposition existante et des alternatives → l’approbation/la modification budgétaire → l’exécution → le résultat pour les citoyens/entreprises → l’audit/la vérification par le conseil → la correction de suivi sous le même identifiant de politique n’est pas confirmé.

Chaîne d'exécution

Données → Analyse → Alternatives → Changement de décision → Budget → Mise en œuvre → Résultat → Erreurs/Écarts → Audit/Conseil → Correction → Décision suivante

Source · Vérification

• La ville métropolitaine de Busan lance le premier service administratif d'IA générative du pays
• Plan de mise en œuvre de l'administration de l'IA de la ville métropolitaine de Busan pour 2026
• Plan de travail administratif majeur de la ville métropolitaine de Busan, fondé sur les données, pour 2026
• Busan Big Data Wave, État des lieux de l'analyse et du conseil en données politiques
• Vague de mégadonnées de Busan, documents explicatifs statistiques
• Ville métropolitaine de Busan, formation pratique basée sur l'IA pour l'administration future
• Conseil métropolitain de Busan, Audit administratif 2025 de l'Agence coréenne de promotion de l'industrie de l'information
• Plateforme de soutien à la gestion intelligente de l'environnement marin basée sur les données de la ville métropolitaine de Busan
• La ville métropolitaine de Busan soutiendra la prise de décision basée sur l'IA et le Big Data pour les réseaux d'approvisionnement en eau d'ici 2026
• Système d'assistance administrative d'audit intelligent basé sur l'IA de la ville métropolitaine de Busan

Principaux enseignements structurels tirés de cette analyse

La prise de décision administrative ne retient que la proposition finale consignée par écrit et efface les alternatives non retenues. Même si l'IA présente davantage d'éléments et d'alternatives, si les différences entre le plan initial, les alternatives et le plan final ne sont pas enregistrées, il est impossible de vérifier si l'IA a modifié son jugement. Il s'agit d'une structure où l'usage demeure, mais l'impact disparaît.

Dans ce contexte, la différence entre une IA performante et une IA défaillante ne se résume pas à la seule précision. Si une analyse précise ne modifie ni les approbations ni les budgets, son impact administratif est quasi nul ; à l’inverse, si une analyse incomplète altère des décisions à haut risque, même de petites erreurs peuvent avoir des répercussions importantes sur les citoyens. La valeur administrative de l’IA résulte du produit de la performance du modèle et de son impact sur les décisions.

Par conséquent, l'analyse structurelle de Busan Administration AX ne révèle qu'un seul élément : l'IA devient une capacité administrative non pas lorsqu'elle remplace les décisions, mais lorsqu'elle consigne les raisons des changements de décisions.  Sans cette documentation, la ville de Busan peut certes effectuer des recherches plus rapidement et générer davantage de documents, mais elle est incapable de déterminer si ses décisions ont été meilleures que par le passé.

Thèse du Temps Doré — La période 2026-2028 pour l'architecture administrative de la ville de Busan ne sera pas propice à la diffusion de l'IA générative, mais plutôt à l'enregistrement, pour la première fois, du lien entre les données probantes, les alternatives, les changements de décision et les résultats dans les archives administratives. Sans ce lien, l'IA peut certes accélérer l'administration, mais elle ne peut pas accélérer la détection et la correction des défaillances politiques.