Albert, l’IA générative de l’État qui entre dans les ministères

L’intelligence artificielle générative ne se limite plus aux assistants grand public : elle commence aussi à prendre place dans les bureaux de l’administration française. Baptisé Albert, le dispositif porté par la Direction interministérielle du numérique, la Dinum, vise à donner aux agents publics des outils de rédaction, de synthèse et de recherche documentaire adaptés à leurs missions. Au 26 janvier 2025, son déploiement s’étend à plusieurs administrations, tout en laissant aux humains la responsabilité des échanges avec les citoyens.

L’enjeu est double. L’État cherche à alléger certaines tâches répétitives, souvent très consommatrices de temps, mais aussi à maîtriser les conditions techniques dans lesquelles des informations administratives peuvent être traitées. Albert se présente ainsi comme une brique commune, que les ministères et services peuvent utiliser pour bâtir leurs propres applications plutôt que comme un robot appelé à répondre seul aux usagers.

Albert, un modèle de langage pensé pour les agents publics

Introduit en avril 2024, Albert est décrit comme un grand modèle de langage, ou LLM. Ces systèmes sont entraînés à produire et transformer du texte : ils peuvent proposer un brouillon, résumer un dossier long, reformuler un message ou répondre à une question à partir des éléments qui leur sont fournis. Leur force réside dans la rapidité avec laquelle ils manipulent de grandes quantités de langage naturel. Leur limite, bien connue, est qu’ils peuvent aussi produire une réponse imprécise ou erronée lorsqu’ils ne disposent pas du bon contexte.

Albert a d’abord été conçu comme un assistant pour les tâches administratives. En janvier 2025, il se déploie plus largement dans l’État, notamment au sein des ministères de la Justice et de la Culture, ainsi qu’à l’académie de Lyon. Cette montée en puissance ne signifie pas qu’un même outil impose partout les mêmes usages : le principe retenu est au contraire de permettre à chaque administration de connecter Albert à ses besoins et à ses outils.

Son socle s’appuie sur Llama 3.1, le modèle publié par Meta, et sur d’autres LLM de Mistral. Le projet est diffusé dans une logique open source : la Dinum a rendu le code accessible sur des plateformes telles que GitHub et Hugging Face. Pour l’administration, cette ouverture répond à une ambition de souveraineté : mieux contrôler les composants employés, adapter les solutions aux cas d’usage publics et conserver la maîtrise du traitement des données sensibles.

Ulrich Tan, chef du pôle Datalab, présente cette démarche comme une manière de répondre à différents besoins d’IA générative, tout en réservant l’outil aux agents publics. Ce point est déterminant : Albert n’est pas conçu, à ce stade, comme un chatbot grand public remplaçant les guichets ou les sites administratifs.

Quelles tâches Albert peut-il accomplir ?

Albert regroupe plusieurs fonctions typiques de l’IA générative. L’agent peut lui demander de préparer une formulation, de condenser un texte volumineux ou de proposer une première version d’un document. Ces usages ne suppriment pas le travail de fond : ils déplacent une partie de l’effort vers la relecture, la vérification et l’ajustement au contexte administratif ou juridique.

L’outil doit aussi exploiter une technique appelée génération augmentée de récupération, souvent désignée par l’acronyme RAG, pour retrieval-augmented generation. Au lieu de demander au modèle de répondre uniquement à partir de ses connaissances générales, un système RAG lui transmet des extraits issus d’un corpus de fichiers défini. La réponse peut alors s’appuyer sur des documents pertinents, ce qui doit en améliorer la précision.

Dans un environnement public, cette capacité est particulièrement utile. Les procédures, formulaires, règles ou documents de référence sont nombreux et évoluent. La recherche documentaire peut être accélérée, à condition que le corpus soit fiable, à jour et correctement délimité. L’agent garde la main sur la réponse finale adressée à l’usager.

Un service commun accessible aux ministères par API

La Dinum a choisi de proposer Albert selon une logique de plateforme. Les administrations peuvent accéder à ses capacités via une API, c’est-à-dire une interface technique permettant à un logiciel de solliciter le modèle. Un ministère n’a donc pas nécessairement à recréer seul toute l’infrastructure d’un assistant conversationnel ou d’un outil de synthèse : il peut développer une application adaptée à son métier au-dessus de cette brique commune.

Cette approche porte le nom de LLM as a Service, autrement dit un modèle de langage proposé comme un service. Elle concerne potentiellement les 2,5 millions d’agents d’État. Ce chiffre décrit l’ampleur du public susceptible d’être concerné, et non le nombre d’utilisateurs effectifs d’Albert à ce stade. Le déploiement demeure progressif, administration par administration, au rythme des cas d’usage et des intégrations techniques.

L’intérêt est aussi organisationnel. Une brique partagée peut éviter la multiplication de projets isolés et favoriser la réutilisation de composants communs. Mais elle impose une gouvernance rigoureuse : définir les données qu’un outil peut traiter, organiser les droits d’accès, évaluer les réponses et identifier clairement qui est responsable d’une décision ou d’un message envoyé.

La Dinum met en avant une méthode de développement visant à mettre des applications en production dans des délais courts, plutôt que de lancer de très grands projets informatiques dont la réalisation serait longue et incertaine. Cette logique d’itération permet de tester un usage concret, de recueillir des retours puis de corriger l’outil avant une extension éventuelle.

France Services, compar:IA et bureautique : les premiers usages

Albert est développé dans le cadre d’une start-up d’État incubée par l’accélérateur de la Dinum. Parmi les expérimentations citées figure Albert France Services, un outil destiné à aider les conseillers qui répondent aux questions administratives des citoyens. L’objectif n’est pas de se substituer au conseiller, mais de lui fournir une assistance pour retrouver et formuler l’information.

Les premiers retours transmis pour cette expérimentation sont encourageants, tout en restant à interpréter comme les résultats initiaux d’un déploiement ciblé. 71 % des utilisateurs interrogés déclarent que l’outil est facile à utiliser et 58 % indiquent qu’ils seraient prêts à le recommander à leurs collègues. Ces indicateurs renseignent sur l’appropriation de l’interface, mais ne suffisent pas, à eux seuls, à mesurer l’exactitude des réponses ou l’impact sur la qualité globale du service rendu.

Albert est également connecté à compar:IA, un comparateur d’IA conversationnelles développé par le ministère de la Culture. Il est enfin intégré à la suite bureautique de l’État, pour aider à la réécriture, à la synthèse et à la génération de textes. Ces trois exemples illustrent des situations différentes : assistance à un conseiller, évaluation d’outils conversationnels et appui quotidien à la production de documents.

Pourquoi la souveraineté des données est au cœur du projet

La question des données est centrale dès lors qu’une IA générative est utilisée dans des services publics. Un agent peut être amené à manipuler des informations administratives, des documents internes ou des éléments relatifs à la situation d’un usager. Les envoyer sans précaution à un service externe peut soulever des difficultés de sécurité, de confidentialité et de maîtrise des traitements.

Albert répond à cette préoccupation en étant installé sur des instances placées sous le contrôle complet de l’administration, selon les éléments présentés par le projet. Le recours à des composants ouverts doit aussi faciliter l’audit et l’adaptation de la solution. Pour autant, l’open source n’est pas une garantie automatique de sécurité : celle-ci dépend également de l’hébergement, du paramétrage, de la gestion des accès, de la qualité des données et de la formation des utilisateurs.

La souveraineté ne signifie pas non plus que tous les composants sont conçus de bout en bout par l’État français. Albert s’appuie notamment sur Llama 3.1 de Meta et sur des modèles de Mistral. L’enjeu affiché est de garder la maîtrise de la manière dont ces modèles sont déployés et employés dans l’administration, en évitant de laisser chaque service choisir seul des outils sans cadre commun.

Cette orientation rejoint un débat plus large sur la place de l’IA générative dans les institutions. Transparence des usages, protection des utilisateurs, prévention des biais, contrôle des résultats et lutte contre la fracture numérique sont autant de conditions pour que la modernisation ne se fasse pas au détriment de l’égalité d’accès au service public.

Des réponses plus fiables grâce au RAG et aux systèmes multi-agent ?

Les prochaines pistes de recherche autour d’Albert visent précisément à mieux encadrer la production de réponses. La Dinum envisage un graphe de connaissances, c’est-à-dire une représentation structurée de liens entre des informations, des notions et des sources. Une telle brique pourrait aider le système à retrouver des éléments plus pertinents et à donner des réponses plus précises, notamment lorsqu’une question touche au droit.

L’objectif est de réduire les erreurs possibles des modèles de langage. Dans un sujet juridique ou administratif, une formulation convaincante mais inexacte peut avoir des conséquences concrètes pour l’usager. La réponse ne doit donc pas seulement être fluide : elle doit être rattachée aux bonnes informations et vérifiée par une personne compétente.

Un projet de recherche explore également un RAG multi-agent. Dans cette architecture, plusieurs agents logiciels seraient mobilisés pour analyser une demande. Certains pourraient classer la question selon son niveau de complexité, d’autres rechercher les documents pertinents, puis un mécanisme de synthèse rassemblerait les éléments les plus utiles. Il ne s’agit pas de plusieurs fonctionnaires virtuels autonomes, mais de composants spécialisés qui coopèrent dans un même système technique.

Cette méthode peut rendre les réponses plus structurées sur des demandes complexes. Elle ajoute toutefois une couche de conception et de contrôle : il faut être capable de comprendre le rôle de chaque composant, de suivre les sources mobilisées et de détecter une erreur avant que la réponse ne soit utilisée.

Ce qu’il faut surveiller dans le déploiement d’Albert

L’État a engagé plus d’un million d’euros en 2024 dans le développement d’Albert. Au-delà de ce montant, son succès se mesurera à des critères très concrets : le temps réellement gagné par les agents, la facilité d’utilisation, la qualité des documents produits, la protection effective des informations et la capacité des services à corriger rapidement les réponses insuffisantes.

Le dispositif devra aussi démontrer qu’il améliore l’accès à l’administration sans créer de nouvelles inégalités. Les personnes qui préfèrent ou doivent conserver un contact humain ne peuvent pas être laissées de côté. La promesse d’Albert est justement de renforcer les professionnels qui assurent ce contact, non de les effacer.

Enfin, le cadre européen de l’intelligence artificielle et les exigences croissantes de sécurité donnent une importance particulière aux outils de comparaison et d’évaluation tels que compar:IA. Pour Albert, l’étape décisive sera de transformer les expérimentations en usages fiables, documentés et contrôlés. Dans les services publics, une IA utile ne se juge pas seulement à sa capacité à générer du texte, mais à sa faculté à inspirer confiance tout en restant sous supervision humaine.