Un étudiant de DOGE mobilisé pour passer les règles du logement américain à l’IA

Un tableur enrichi par l’intelligence artificielle peut-il devenir l’un des instruments d’une vaste réforme de l’État ? C’est l’hypothèse mise à l’épreuve au sein du Département américain du logement et du développement urbain, le HUD. Chris Sweet, un étudiant employé par DOGE, y a reçu pour mission d’examiner des réglementations afin de déterminer lesquelles pourraient être simplifiées, assouplies ou supprimées.

Le cas est révélateur d’une évolution plus large : l’IA ne sert plus seulement à rédiger des notes ou à résumer des dossiers. Elle peut aussi être intégrée en amont de décisions qui structurent l’action publique. Or, dans le domaine du logement, une règle administrative ne relève pas d’un simple exercice de mise en forme. Elle peut toucher l’accès à des programmes publics, les obligations des organismes locaux ou la protection des ménages.

Chris Sweet, un profil étudiant au cœur du HUD

Chris Sweet est alors en troisième année à l’université de Chicago. Son cursus associe l’économie et la science des données, deux domaines particulièrement utiles pour traiter un ensemble vaste et technique de textes réglementaires. Il a été recruté comme employé de DOGE et intégré à l’équipe du HUD dans un rôle inhabituel pour un étudiant encore en formation.

Son matricule lui donne un accès direct à des bases de données essentielles du département. Cette prérogative, généralement associée à des agents disposant d’une expérience administrative plus longue, donne à sa mission une portée concrète : il ne s’agit pas d’une réflexion universitaire extérieure, mais d’un travail mené depuis l’intérieur de l’agence.

Le jeune homme est également présenté comme polyglotte et d’origine brésilienne. Ces éléments ne disent pas, à eux seuls, comment seront prises les décisions finales. Ils éclairent toutefois le choix d’un profil qui combine une formation quantitative, une familiarité avec les données et une position nouvelle dans l’appareil fédéral.

La mission de Sweet se concentre principalement sur les règles relevant de l’Office du logement public et indien. Cette branche du HUD administre des programmes qui desservent environ 3,5 millions de ménages, notamment dans le logement public et les dispositifs destinés aux communautés amérindiennes. L’ampleur du public concerné explique pourquoi une révision apparemment technique mérite une attention particulière.

Comment l’IA est-elle utilisée pour examiner les règles ?

Le processus décrit repose d’abord sur un inventaire. Chris Sweet a commencé à constituer un fichier Excel recensant les domaines de politique publique dans lesquels des modifications pourraient être envisagées. L’intelligence artificielle intervient ensuite pour analyser les textes, les rapprocher des lois existantes et signaler les dispositions pouvant être considérées comme une surcharge réglementaire.

L’idée est simple en apparence : une loi fixe un cadre adopté par les élus, tandis qu’une agence publie des réglementations afin de préciser la manière dont ce cadre s’applique. En comparant les deux niveaux de texte, un outil informatique peut relever des répétitions, des formulations particulièrement contraignantes ou des exigences qui paraissent aller au-delà de ce que prévoit la loi.

Dans ce dispositif, l’IA n’est donc pas présentée comme l’autorité qui abroge des normes. Elle agit comme un filtre et un outil de repérage. Sa valeur dépend étroitement de la qualité des documents examinés, des critères choisis pour définir une règle excessive et de l’analyse effectuée par les personnes qui relisent ses résultats.

Pourquoi les règles du logement exigent-elles un contrôle humain renforcé ?

Les règles administratives du HUD ont des effets potentiellement très concrets. Elles peuvent encadrer le fonctionnement du logement public, les conditions d’accès à certains programmes, les responsabilités d’organismes gestionnaires ou encore des procédures destinées à des populations spécifiques. Réduire une exigence administrative peut, selon les cas, simplifier un dispositif ou modifier une protection jugée nécessaire.

C’est pourquoi la phase de validation humaine est centrale. Les employés de l’agence sont invités à examiner les suggestions de l’IA et à justifier leur désaccord lorsqu’ils ne partagent pas ses conclusions. Cette étape peut permettre de repérer une erreur de contexte, une exception légale ou une conséquence pratique qu’une analyse purement textuelle ne perçoit pas.

Une IA générative ou un système de recherche automatisée peut traiter rapidement un grand nombre de documents. En revanche, elle ne possède pas, par elle-même, une compréhension institutionnelle des objectifs politiques d’une règle. Elle ne mesure pas non plus directement les effets qu’aurait sa suppression sur les locataires, les collectivités ou les administrations qui appliquent les programmes.

En règle générale, modifier une réglementation fédérale suppose par ailleurs de respecter des procédures administratives, qui peuvent inclure une publication officielle et une période de consultation du public. L’outil peut donc accélérer la préparation d’un examen, sans effacer les contraintes juridiques et démocratiques qui encadrent la production des règles.

DOGE, un contexte de transformation brutale de l’administration

Cette mission s’inscrit dans la campagne menée par DOGE, sous la direction d’Elon Musk, pour transformer le fonctionnement de l’administration fédérale américaine. Le mouvement a déjà été associé à la désintégration de certaines structures, à des licenciements importants et à une réduction notable de contrats gouvernementaux.

Dans ce contexte, le travail demandé à Chris Sweet ne se limite pas à un projet numérique isolé. Il s’intègre à une logique de recherche d’économies, de réduction des contraintes administratives et de remise en cause des procédures existantes. L’usage de l’IA permet d’envisager une revue à grande échelle de textes qu’une équipe humaine mettrait longtemps à parcourir manuellement.

Mais la rapidité est aussi une source de tension. Lorsque des règles sont classées comme excessives par un système automatisé, le choix des critères devient déterminant. Cherche-t-on des doublons ? Des obligations coûteuses ? Des textes anciens ? Des garanties réglementaires jugées trop contraignantes ? Chacune de ces définitions peut conduire à une liste de priorités très différente.

L’accès aux bases du HUD accordé à Sweet est, à cet égard, un élément important. Plus un système ou son opérateur accède à des données et à des documents internes, plus les exigences de traçabilité, de sécurité et de contrôle des droits d’accès doivent être claires. Les informations publiées ne précisent pas quel outil d’IA précis est utilisé, ni les modalités techniques de son déploiement.

Une initiative liée au débat américain sur la dérégulation

Le projet est aussi lu à la lumière du débat politique américain sur la dérégulation. Les recommandations du programme Project 2025 prévoient notamment l’abrogation d’initiatives liées au changement climatique et un examen approfondi de certaines réglementations relatives à l’équité en matière de logement.

La démarche engagée au HUD peut ainsi offrir une méthode opérationnelle pour identifier rapidement les textes concernés. Une IA capable de cartographier des règles, de les comparer aux lois et de proposer des modifications fournirait un moyen de prioriser les chantiers administratifs. Elle ne fixe toutefois pas elle-même la ligne politique : ce sont les responsables de l’exécutif et les procédures légales qui déterminent quelles recommandations sont retenues.

Il faut aussi distinguer un document d’orientation politique d’une décision en vigueur. Le fait qu’une réglementation soit examinée ne signifie pas qu’elle sera supprimée, ni que l’ensemble des propositions associées à une politique de dérégulation sera appliqué. Entre le signalement d’une règle par une IA et une modification durable du droit, plusieurs arbitrages restent nécessaires.

Les bénéfices possibles et les angles morts de l’automatisation

Le principal argument en faveur de cette approche est l’efficacité. Les administrations fédérales produisent et appliquent un grand nombre de règles, souvent réparties entre plusieurs bureaux et modifiées au fil des années. Un système d’IA peut aider à retrouver les passages pertinents, à rapprocher une norme de son fondement légal et à faire ressortir des incohérences ou des redondances.

Une telle assistance peut aussi libérer du temps pour les agents, à condition qu’elle soit conçue comme un appui et non comme un substitut au jugement professionnel. Dans le cas décrit, la présence d’une revue humaine est précisément ce qui peut transformer une recommandation automatique en proposition examinée de manière contradictoire.

Les limites sont néanmoins importantes. Un modèle peut omettre une disposition, mal interpréter une formulation juridique ou produire une analyse plausible mais erronée. Il peut également reproduire les biais contenus dans les critères de départ. Si l’objectif est formulé uniquement comme la réduction du nombre de règles, l’outil risque de valoriser la simplification sans intégrer correctement les objectifs de protection, d’égalité d’accès ou de continuité des services publics.

Le fait de demander aux employés de justifier leur désaccord mérite également attention. Cette organisation peut enrichir le débat si elle encourage l’argumentation et la vérification. Elle peut aussi, selon la manière dont elle est appliquée, déplacer la charge de la preuve vers les défenseurs des règles existantes. C’est un choix de gouvernance, et non une conséquence inévitable de la technologie.

Ce qu’il faut surveiller

La mission confiée à Chris Sweet pourrait constituer un précédent si DOGE décide d’étendre cette méthode à d’autres agences fédérales. Plusieurs éléments permettront d’en évaluer la portée réelle : le nombre de règles effectivement examinées, les critères retenus pour les qualifier d’excessives, la place accordée aux spécialistes du HUD et les procédures suivies avant toute modification.

Il sera également essentiel de savoir si les recommandations de l’IA sont conservées et auditées, afin de comprendre comment elles ont influencé les décisions. Dans l’administration publique, la transparence ne consiste pas seulement à publier un résultat final. Elle suppose aussi de pouvoir retracer le chemin qui a conduit à considérer une règle comme inutile, coûteuse ou disproportionnée.

L’expérience du HUD résume ainsi un dilemme plus vaste. L’IA peut accélérer l’examen de réglementations complexes et donner aux décideurs une vue d’ensemble plus rapide. Mais plus elle est intégrée à des choix qui affectent des millions de personnes, plus le contrôle humain, la responsabilité politique et le respect des procédures doivent rester au centre du dispositif.