Humphrey : l’IA du gouvernement britannique face au risque de dépendance aux Big Tech

L’intelligence artificielle entre dans les rouages de l’État britannique avec Humphrey, une boîte à outils conçue pour alléger certaines tâches administratives. L’ambition est claire : faire gagner du temps aux fonctionnaires, accélérer le traitement de documents et améliorer l’efficacité des services publics. Mais l’initiative place aussi le gouvernement dans une position délicate. Il entend encadrer les grandes entreprises technologiques tout en s’appuyant sur leurs modèles d’IA et leurs infrastructures de cloud.

Cette tension dépasse largement le choix d’un logiciel. Elle interroge l’indépendance technologique de l’administration, la protection des créations utilisées pour entraîner les modèles, la fiabilité d’outils susceptibles de produire des erreurs convaincantes et la responsabilité publique lorsqu’une décision est assistée par une machine. À la mi-juin 2025, Humphrey apparaît ainsi comme un test grandeur nature de l’IA dans l’action publique britannique.

Qu’est-ce que l’outil Humphrey du gouvernement britannique ?

Humphrey n’est pas un assistant unique auquel les agents poseraient toutes leurs questions. Le nom désigne un toolkit, c’est-à-dire un ensemble d’outils spécialisés, pensé pour des usages administratifs précis. Parmi les composantes citées figurent Consult, Lex, Parlex et Redbox.

Leur objectif commun est d’aider les équipes publiques à manipuler de grandes quantités de textes : réponses à une consultation, documents juridiques, échanges parlementaires ou notes de travail. Dans une administration, ces opérations peuvent exiger de nombreuses heures de lecture, de classement, de synthèse et de vérification. Les modèles de langage sont précisément conçus pour produire ou résumer du texte à partir d’instructions données en langage courant.

Le gouvernement prévoit une formation spécifique pour chaque fonctionnaire en Angleterre et au pays de Galles. Ce point est essentiel : les risques de l’IA ne tiennent pas seulement au modèle utilisé, mais aussi à la manière dont une organisation interprète ses résultats. Un outil peut être utile pour préparer une note ou repérer des thèmes récurrents, mais il devient problématique si son texte est repris sans contrôle, ou s’il est traité comme une source certaine.

Des modèles d’OpenAI, Anthropic et Google, sans contrat global

Humphrey s’appuie sur des modèles développés par de grands acteurs, dont OpenAI, Anthropic et Google. Le gouvernement britannique ne mise donc pas, à ce stade, sur un modèle de fondation entièrement conçu et exploité par l’État. Il recourt à des services accessibles au travers de contrats de cloud existants et selon une logique de paiement à l’utilisation.

Ce modèle commercial a un avantage pratique. L’administration peut, en théorie, comparer les offres, adapter les outils à leurs performances, basculer vers un autre fournisseur si les prix changent et éviter de s’enfermer d’emblée dans un accord unique de très grande ampleur. Les coûts d’utilisation unitaires des modèles d’IA ont d’ailleurs tendance à diminuer à mesure que les systèmes gagnent en efficacité et que la concurrence s’intensifie.

L’absence d’accord global ne fait toutefois pas disparaître le risque de dépendance. Pour utiliser ces modèles à grande échelle, il faut intégrer leurs interfaces techniques, leurs mécanismes de sécurité, leurs conditions contractuelles et, souvent, leurs environnements cloud. Modifier ce socle une fois les usages généralisés peut devenir coûteux, complexe et perturbant pour les agents.

Le sujet est particulièrement sensible au Royaume-Uni, où l’État dépense 23 milliards de livres par an en contrats technologiques. Le gouvernement a annoncé vouloir faire évoluer sa stratégie d’achat afin de créer davantage d’opportunités pour les petites entreprises technologiques. Dans les faits, la capacité des jeunes pousses à concurrencer les fournisseurs dominants sur les modèles de langage, les infrastructures de calcul et les plateformes cloud demeure une question centrale.

Pourquoi cette dépendance aux Big Tech inquiète-t-elle ?

La principale critique porte sur un possible conflit d’intérêts institutionnel. L’État britannique est à la fois un client potentiel des grandes entreprises d’IA, un arbitre des règles qui les concernent et un acteur chargé de protéger les citoyens, les créateurs et la concurrence. Plus les services publics dépendent de ces entreprises, plus la marge de manœuvre politique peut sembler réduite au moment de leur imposer des obligations contraignantes.

Ed Newton-Rex, dirigeant de Fairly Trained, appelle les gouvernements à la vigilance sur ce point. Son organisation se préoccupe notamment des conditions dans lesquelles les systèmes d’IA sont entraînés. La question ne se résume pas à savoir si un outil permet de gagner quelques heures de travail. Elle porte aussi sur les valeurs que l’administration valide par ses choix d’achat : traçabilité des données, rémunération des créateurs, possibilité d’audit et capacité à changer de prestataire.

Le débat est d’autant plus vif que certains modèles ont été accusés d’avoir été entraînés avec des contenus protégés par le droit d’auteur, sans autorisation ni rémunération des ayants droit. Au Royaume-Uni, des personnalités de la musique et du spectacle, dont Elton John et Paul McCartney, ont participé à la mobilisation en faveur d’une meilleure protection de la propriété intellectuelle face à l’IA générative.

La controverse s’inscrit également dans les discussions sur un cadre légal permettant l’utilisation d’œuvres protégées à des fins d’entraînement, sauf opposition des titulaires de droits. Pour le secteur créatif, un mécanisme de retrait place une charge lourde sur les auteurs, artistes, éditeurs et producteurs : encore faut-il savoir quelles œuvres ont servi à l’entraînement, et disposer d’un moyen effectif de s’y opposer. Sans transparence sur les jeux de données, ce droit peut rester difficile à exercer.

L’efficacité promise peut-elle se mesurer ?

L’argument le plus concret en faveur de l’IA administrative est celui du temps gagné. Une consultation publique peut susciter des centaines, voire des milliers de réponses. Repérer les thèmes récurrents, classifier les commentaires et préparer une première synthèse représente un travail considérable. Une IA peut accélérer cette phase préparatoire, à condition que les fonctionnaires vérifient ensuite les résultats, les nuances et les contributions importantes.

Le gouvernement écossais a cité un projet d’analyse de réponses à une consultation dont le coût serait resté inférieur à 50 £. Cette expérimentation aurait permis une économie importante de temps de travail. Le chiffre illustre le potentiel de certains usages ciblés, mais il ne permet pas à lui seul de calculer le coût complet d’un déploiement national.

Pour évaluer Humphrey, il faudra aussi intégrer la formation des agents, l’assistance technique, les contrôles de sécurité, la gouvernance des données, les vérifications humaines et les dépenses de cloud. Une tâche peu chère à exécuter peut devenir coûteuse si ses résultats doivent être relus intégralement, ou si une erreur entraîne des conséquences juridiques et administratives.

Erreurs, biais : pourquoi le précédent Horizon revient dans le débat

Les inquiétudes ne portent pas uniquement sur les droits d’auteur ou les contrats avec les fournisseurs. Elles concernent aussi les erreurs et les biais. Shami Chakrabarti a appelé à la prudence, en rappelant les conséquences désastreuses que peut avoir une confiance excessive dans un système informatique. Le scandale Horizon, qui a impliqué un logiciel de comptabilité utilisé par la poste britannique, reste un avertissement majeur : un système technique ne doit jamais être considéré comme infaillible au point d’éclipser les éléments humains et contradictoires.

Humphrey n’est pas Horizon. Les usages envisagés, les technologies et les contextes diffèrent. La comparaison rappelle néanmoins un principe de gouvernance : lorsqu’un outil informatique intervient dans une procédure publique, il faut pouvoir comprendre son rôle, contester ses résultats et identifier la personne responsable de la décision finale.

Les modèles génératifs présentent leurs propres défauts. Ils peuvent produire des « hallucinations », terme employé pour désigner une information inventée ou erronée formulée avec assurance. Ils peuvent aussi refléter des biais présents dans leurs données ou dans la façon dont une question est posée. Un résumé de consultation peut, par exemple, surreprésenter les formulations les plus fréquentes au détriment de témoignages plus rares mais importants.

Le gouvernement prévoit d’évaluer l’efficacité et l’exactitude des technologies déployées. Un playbook sur l’IA, destiné aux fonctionnaires, doit aussi encadrer une adoption rapide mais contrôlée. Pour les critiques, cela devrait aller plus loin : les administrations devraient tenir des registres transparents des erreurs, des hallucinations et des incidents significatifs. Ces informations permettraient de comprendre les défaillances, de les corriger et d’éviter qu’elles ne se répètent ailleurs dans le service public.

Une innovation publique sous conditions

Le déploiement de Humphrey révèle une réalité plus large. Les administrations ne peuvent pas ignorer l’IA générative, tant cette technologie progresse et s’installe dans les outils professionnels. Refuser tout usage priverait potentiellement les services publics de gains d’efficacité utiles. Mais adopter ces outils sans exigences fortes risquerait de rendre l’État captif de fournisseurs privés, d’affaiblir la confiance du public et de normaliser des pratiques contestées sur les données d’entraînement.

L’enjeu n’est donc pas de choisir entre une administration entièrement automatisée et une administration qui n’utilise aucune IA. Il est de définir des frontières claires : quels documents peuvent être confiés à ces outils, quels contrôles sont obligatoires, quand un agent doit-il reprendre la main, comment sont conservées les données et comment les citoyens sont-ils informés ?

Ce qu’il faut surveiller

Les prochains mois permettront de juger Humphrey sur des éléments concrets plutôt que sur ses seules promesses. La formation annoncée devra donner aux fonctionnaires les moyens de repérer les résultats douteux, pas seulement de produire plus vite. Les évaluations de précision devront préciser les tâches testées, les taux d’erreur observés et les mesures prises lorsqu’un problème apparaît.

Il faudra aussi suivre l’évolution des dépenses, au-delà du prix affiché par requête, ainsi que la capacité réelle de l’administration à changer de fournisseur. Enfin, le débat sur le droit d’auteur restera déterminant. Un gouvernement qui recourt aux modèles d’IA tout en cherchant à organiser leur régulation devra démontrer que son efficacité administrative ne se construit ni au détriment des créateurs ni au prix d’une transparence insuffisante.