L’analyse prédictive appliquée à la sécurité publique constitue l’un des cas d’usage les plus documentés et les plus débattus de l’intelligence artificielle dans le secteur public. Le principe consiste à exploiter les données historiques de criminalité, combinées à des variables contextuelles comme la météo, les horaires, les événements locaux et les caractéristiques urbaines, pour identifier les zones et les périodes présentant une probabilité élevée d’incidents. Cette approche, expérimentée dès 2012 par plusieurs départements de police aux États-Unis et depuis étendue à des forces de l’ordre européennes, vise à optimiser le déploiement des patrouilles en concentrant la présence policière là où elle peut avoir le plus grand effet préventif. Chez DécisionIA, Gabriel et Lionel, co-fondateurs de la structure, suivent attentivement les retours d’expérience de ces déploiements et accompagnent les organisations dans la compréhension des possibilités, mais aussi des limites substantielles, de ces technologies. La police prédictive ne relève pas de la science-fiction. Elle repose sur des techniques statistiques et d’apprentissage automatique dont les résultats sont mesurables, mais dont les implications éthiques exigent un encadrement rigoureux que cet article aborde sans détour.
Identifier les zones et les créneaux horaires à risque par analyse spatio-temporelle
Les modèles de police prédictive de première génération s’appuient principalement sur l’analyse spatio-temporelle des données d’incidents pour identifier les concentrations de criminalité dans l’espace et dans le temps. Ces modèles exploitent un phénomène criminologique bien documenté : la récurrence géographique des infractions. Les recherches publiées dans le Journal of Quantitative Criminology ont montré que les cambriolages, par exemple, tendent à se concentrer dans des micro-zones qui persistent dans le temps, un phénomène appelé hot spots en criminologie environnementale. L’IA prolonge ces analyses classiques en intégrant des variables contextuelles qui affinent la prédiction au-delà de la simple localisation des incidents passés. La densité commerciale, la configuration urbaine, la présence d’éclairage public, les horaires de fermeture des commerces et les flux de transport collectif constituent autant de facteurs que les algorithmes pondèrent pour produire des cartes de risque dynamiques qui évoluent heure par heure.
DécisionIA observe que les forces de l’ordre qui adoptent ces outils les utilisent majoritairement comme une aide à la planification des patrouilles plutôt que comme un système de décision autonome. Le commandement opérationnel conserve la responsabilité finale de l’allocation des effectifs et intègre les recommandations algorithmiques dans une appréciation plus large qui tient compte du renseignement terrain, des événements planifiés et des priorités politiques de sécurité. Le National Institute of Justice américain a financé plusieurs évaluations indépendantes de ces systèmes et a publié des résultats montrant que le déploiement guidé par les données réduisait les temps de réponse aux incidents et augmentait la visibilité préventive dans les zones identifiées comme à risque. Ces résultats doivent néanmoins être interprétés avec précaution car la méthodologie d’évaluation varie considérablement d’une expérimentation à l’autre et les conditions de déploiement influencent directement les performances observées. Pour structurer la priorisation de ces projets analytiques, consultez notre guide sur la matrice de priorités IA.
Mesurer les résultats et les limites opérationnelles des déploiements
L’évaluation rigoureuse des programmes de police prédictive révèle des résultats contrastés qui imposent la prudence dans les conclusions. Certaines études publiées ont rapporté des réductions significatives de la criminalité dans les zones couvertes par les systèmes prédictifs. Une expérimentation menée par la police de Kent au Royaume-Uni, documentée par le College of Policing, a montré une réduction mesurable des cambriolages dans les zones ciblées par le système PredPol. Toutefois, d’autres évaluations ont soulevé la question du déplacement de la criminalité vers les zones non couvertes plutôt que de sa réduction nette, un phénomène classique en criminologie que l’IA ne résout pas par elle-même. DécisionIA souligne que l’interprétation des résultats doit tenir compte de ce facteur de déplacement et que les évaluations qui ne mesurent que la criminalité dans les zones ciblées sans analyser les zones adjacentes produisent des conclusions incomplètes.
Les limites opérationnelles de ces systèmes tiennent aussi à la qualité des données sur lesquelles ils reposent. Les statistiques de criminalité enregistrée ne reflètent qu’une fraction des infractions réellement commises, en particulier dans les domaines où le taux de plainte est faible comme les violences intrafamiliales ou les agressions sexuelles. Les modèles entraînés sur ces données incomplètes produisent des prédictions qui reproduisent ces lacunes et peuvent orienter les patrouilles vers des types d’infractions déjà bien documentées au détriment de phénomènes criminels moins visibles mais tout aussi préoccupants. Gabriel et Lionel, chez DécisionIA, rappellent que la performance d’un modèle prédictif ne peut jamais dépasser la qualité des données qui l’alimentent et que les biais systématiques dans la collecte des données constituent un risque structurel que la technologie seule ne peut résoudre. Pour garantir la fiabilité de ces données, consultez notre guide sur les prérequis de gouvernance des données.
Affronter les enjeux éthiques : biais, discrimination et libertés publiques
La police prédictive concentre des préoccupations éthiques majeures qui ne peuvent être éludées dans une analyse sérieuse de ce cas d’usage. Le risque principal réside dans la reproduction et l’amplification des biais présents dans les données historiques de criminalité. Si certains quartiers ont historiquement fait l’objet d’une surveillance policière plus intense, les statistiques d’infractions y seront mécaniquement plus élevées, non parce que la criminalité y est objectivement supérieure, mais parce que la probabilité de détection y est plus forte. Un modèle entraîné sur ces données biaisées recommandera de renforcer encore la présence policière dans ces mêmes quartiers, créant une boucle de rétroaction discriminatoire qui a été documentée par des chercheurs de l’Université de Stanford et de la RAND Corporation. DécisionIA considère que ce risque de boucle discriminatoire constitue l’objection la plus sérieuse contre un déploiement non encadré de la police prédictive et que sa prise en compte doit être intégrée dès la conception du système.
Plusieurs villes ont d’ailleurs tiré les conséquences de ces risques. Los Angeles a mis fin à son programme PredPol en 2020 après des critiques documentées sur ses effets discriminatoires, et la ville de La Nouvelle-Orléans a interrompu son partenariat avec Palantir après des révélations sur l’opacité du système déployé. En Europe, le règlement sur l’intelligence artificielle (AI Act) adopté en 2024 classe les systèmes de police prédictive fondés sur le profilage individuel dans la catégorie des usages à risque inacceptable et les interdit. La Commission nationale consultative des droits de l’homme en France a également alerté sur les risques pour les libertés publiques que représente l’usage non encadré de ces technologies. DécisionIA intègre ces contraintes réglementaires et éthiques dans ses recommandations en préconisant systématiquement des audits d’équité, des mécanismes de transparence et une supervision humaine effective des décisions opérationnelles alimentées par les modèles prédictifs. Pour encadrer ces déploiements, consultez notre article sur la politique d’usage IA.
Vers une approche raisonnée : encadrer la technologie par la gouvernance
L’avenir de la police prédictive ne réside ni dans son abandon total ni dans son déploiement sans contrainte, mais dans la construction d’un cadre de gouvernance qui maximise ses apports opérationnels tout en neutralisant ses risques éthiques. Ce cadre doit reposer sur plusieurs piliers : la transparence des algorithmes utilisés, l’audit indépendant de leurs effets sur les différentes populations, la formation des agents de terrain à l’interprétation des résultats et le maintien d’une décision humaine en bout de chaîne. DécisionIA accompagne les organisations qui souhaitent explorer ces technologies en les aidant à définir un cadre de gouvernance adapté qui intègre les recommandations des autorités de régulation et les leçons tirées des expérimentations passées, tant celles qui ont produit des résultats positifs que celles qui ont révélé des dérives inacceptables.
La formation des personnels constitue un levier souvent sous-estimé de la réussite et de l’acceptabilité sociale de ces projets. Les agents de terrain doivent comprendre ce que les modèles prédictifs sont capables de faire et, surtout, ce qu’ils ne sont pas capables de faire. Un modèle qui identifie une zone à risque élevé pour les cambriolages n’accuse aucun individu et ne justifie aucun contrôle d’identité systématique. Cette distinction entre prédiction spatiale et profilage individuel doit être fermement établie dans les protocoles d’emploi des outils prédictifs. DécisionIA propose des formations qui abordent ces dimensions opérationnelles et éthiques de manière intégrée, permettant aux décideurs et aux agents de s’approprier la technologie dans un cadre respectueux des libertés fondamentales. Le déploiement responsable de l’IA dans le domaine de la sécurité publique représente un défi de société qui dépasse largement la seule question technique et qui nécessite un dialogue permanent entre technologues, juristes, forces de l’ordre et société civile.