Les grands modèles de langage donnent parfois l’impression que l’information devient immédiatement disponible, interprétable et actionnable. On écrit une question, on obtient une synthèse, un script, un plan, une reformulation, parfois une chaîne de traitement entière. Cette fluidité est puissante. Elle est aussi trompeuse si elle fait oublier les conditions de production, de qualification et de responsabilité de l’information.
Les systèmes d’informations géographiques ont déjà traversé une partie de ce problème. Depuis longtemps, ils ne se contentent pas d’afficher des cartes. Ils assemblent des couches produites par des acteurs différents, dans des référentiels différents, à des échelles différentes, avec des statuts juridiques, techniques et métiers différents. Ils obligent à poser des questions simples et difficiles : d’où vient la donnée ? À quelle date ? Pour quel usage ? Dans quel système de référence ? Avec quelle précision ? Selon quelle nomenclature ? Avec quelle limite d’opposabilité ?
Les systèmes d’informations géographiques sont moins une technique de carte qu’une culture de la donnée gouvernée.
Cette culture est précieuse pour l’IA générative. Une organisation qui introduit des LLM ne fait pas seulement entrer un outil conversationnel. Elle modifie la circulation de ses documents, de ses connaissances, de ses procédures, de ses exceptions et de ses responsabilités. Un agent peut retrouver, résumer, transformer, programmer, comparer, rédiger. Mais il peut aussi mélanger des statuts, lisser des incertitudes et produire une réponse cohérente là où il faudrait exposer un désaccord.
Le précédent des systèmes d’informations géographiques
Dans les systèmes d’informations géographiques, une couche n’est jamais seulement une couche. Elle porte un producteur, une méthode, un millésime, une résolution, une emprise, des attributs, des trous, des droits d’usage. Un bon dispositif géomatique ne cache pas ces conditions : il les rend consultables, les relie aux traitements et permet de contrôler la sortie.
Cette discipline n’a pas été inventée par goût administratif. Elle vient du réel. Une carte peut servir à concevoir un réseau, instruire un permis, gérer un risque, arbitrer une subvention, organiser des travaux ou informer le public. Si le statut de la donnée est confus, la décision devient fragile.
Les LLM doivent être pensés avec la même exigence. La question n’est pas seulement de savoir si le modèle répond bien. Il faut savoir avec quelles sources, dans quelle version, avec quel périmètre, selon quel degré de confiance, et avec quel type de validation humaine ou technique.
Des couches aux corpus
Le passage des systèmes d’informations géographiques aux LLM déplace l’objet. On ne gouverne plus seulement des couches, mais des corpus : mails, rapports, contrats, notes, tickets, cartes, bases, scripts, plans, comptes rendus, textes réglementaires, conversations. Le problème devient plus large, mais la logique reste familière.
Il faut indexer sans confondre. Rapprocher sans fusionner. Résumer sans effacer le statut. Générer sans faire disparaître la chaîne. Mettre à jour sans perdre l’historique. Donner accès sans tout rendre public. C’est exactement le genre de tension que la culture des systèmes d’informations géographiques connaît depuis longtemps, parce qu’elle a toujours dû articuler information, territoire, décision et responsabilité.
- Source et producteur
- Référentiel et échelle
- Millésime et précision
- Nomenclature et droits
- Usage et opposabilité
Ne pas seulement afficher ou répondre : rendre visible la chaîne qui autorise l’usage.
- Documents et versions
- Droits et périmètres
- Citations et traces
- Validation et journal
- Incertain, probable, contesté
Un LLM d’organisation devrait apprendre des systèmes d’informations géographiques : toute réponse importante doit pouvoir retrouver ses couches sources.
Cela ne veut pas dire qu’il faut transformer l’IA en logiciel lourd. Au contraire. Les LLM sont intéressants parce qu’ils rendent l’informatique plus souple et plus proche du langage. Mais cette souplesse doit s’appuyer sur une architecture de confiance : métadonnées, droits, journaux, versions, validation, capacité à distinguer le certain, le probable, le contesté et le simplement plausible.
Une gouvernance opératoire
La gouvernance dont il est question n’est pas un comité lointain. C’est une gouvernance opératoire, inscrite dans les outils. Elle dit ce qu’un agent peut lire, ce qu’il peut transformer, ce qu’il doit citer, ce qu’il doit demander, ce qu’il doit journaliser et ce qui doit rester sous responsabilité humaine.
Les systèmes d’informations géographiques ont aussi appris que l’utilisateur n’est pas extérieur au système. Un géomaticien interprète, corrige, qualifie, doute, compare, documente. De même, l’utilisateur d’un LLM ne devrait pas être réduit à celui qui valide une belle réponse. Il doit pouvoir inspecter le chemin, modifier l’hypothèse, contester la source, transformer l’essai en procédure stable.
C’est peut-être là que la transformation LLM devient intéressante : non pas dans le remplacement du jugement par une machine parlante, mais dans la production de chaînes d’action plus explicites, plus documentées, plus adaptables. La culture géomatique peut servir de mémoire culturelle à cette transition. Elle rappelle que l’intelligence d’un système d’information tient autant à ses limites exposées qu’à ses capacités de calcul.
Si l’IA générative veut devenir une infrastructure sérieuse, elle devra donc apprendre une vieille leçon des cartes : on ne gouverne pas avec de l’information fluide, mais avec de l’information située.