L’IA au service des requêtes citoyennesAI in service of citizen requestsAcheminer plus vite chaque demande, sans retirer l’humain de la boucle.Routing every request faster, without taking people out of the loop.

Le contexteThe context

Nids-de-poule, collectes manquées, lampadaires éteints, bruit, déneigement : les demandes arrivaient par téléphone, par courriel, par le portail web et par l’application mobile, en français comme en anglais. Les agents devaient lire chaque requête, choisir une catégorie parmi un référentiel touffu et l’acheminer vers la bonne direction ou le bon arrondissement. Les erreurs d’aiguillage provoquaient des transferts en cascade et des délais que les citoyens ressentaient directement.

Potholes, missed collections, broken streetlights, noise, snow removal: requests came in by phone, email, the web portal and the mobile app, in French and in English. Agents had to read each request, choose a category from a sprawling list and route it to the right department or borough. Misrouted requests triggered chains of transfers and delays that citizens felt directly.

La Ville voulait tirer parti de l’intelligence artificielle sans créer de boîte noire. Les élus et la direction exigeaient que chaque décision automatisée puisse être expliquée, corrigée par un humain et documentée conformément à la Loi 25, notamment pour les requêtes contenant des renseignements personnels ou des situations sensibles.

The City wanted to take advantage of artificial intelligence without creating a black box. Elected officials and management required that every automated decision could be explained, corrected by a person and documented in compliance with Law 25, especially for requests containing personal information or sensitive situations.

Les enjeuxThe challenges

• Le référentiel des catégories de requêtes avait évolué au fil des réorganisations et comportait des doublons.The request category list had evolved through successive reorganizations and contained duplicates.
• Les textes rédigés par les citoyens étaient courts, informels et souvent mêlés de français et d’anglais.Citizens’ texts were short, informal and often mixed French and English.
• Certaines demandes urgentes ou sensibles ne devaient jamais être traitées sans validation humaine.Some urgent or sensitive requests must never be handled without human validation.
• La Ville devait pouvoir expliquer publiquement le rôle de l’IA dans le traitement des requêtes.The City needed to be able to explain publicly the role of AI in handling requests.

Notre démarcheOur approach

1. 01

   Cadrage avec les agentsScoping with agents

   Nous avons observé le travail des agents et des répartiteurs d’arrondissement pour comprendre les vraies causes des erreurs d’aiguillage. Ensemble, nous avons simplifié le référentiel des catégories avant toute modélisation.

   We observed agents and borough dispatchers at work to understand the real causes of misrouting. Together, we simplified the category list before any modelling began.

2. 02

   Conception responsableResponsible design

   Nous avons défini les seuils de confiance, les catégories exclues de l’automatisation et le parcours de révision humaine. Une évaluation des facteurs relatifs à la vie privée a été réalisée avec le responsable de la protection des renseignements personnels.

   We defined confidence thresholds, categories excluded from automation and the human review path. A privacy impact assessment was carried out with the person in charge of personal information protection.

3. 03

   Réalisation par famillesDelivery by family

   Le modèle bilingue a été entraîné sur l’historique anonymisé des requêtes, puis déployé famille par famille, en commençant par la voirie et les matières résiduelles. Chaque vague a d’abord fonctionné en mode suggestion avant d’acheminer directement les demandes.

   The bilingual model was trained on anonymized request history, then deployed one family at a time, starting with roads and waste collection. Each wave first ran in suggestion mode before routing requests directly.

4. 04

   Transfert et adoptionTransfer and adoption

   Nous avons formé les agents à interpréter les suggestions et à signaler les erreurs, qui alimentent le réentraînement. L’équipe TI de la Ville a pris en main la surveillance du modèle et son tableau de bord.

   We trained agents to interpret suggestions and flag errors, which feed retraining. The City’s IT team took over model monitoring and its dashboard.

La solutionThe solution

Les résultatsThe results

1. Les requêtes parviennent plus rapidement à l’équipe capable de les traiter, avec beaucoup moins de transferts inutiles.Requests reach the team able to handle them more quickly, with far fewer unnecessary transfers.
2. Les agents consacrent davantage de temps aux citoyens qui ont besoin d’accompagnement plutôt qu’au tri.Agents spend more time with citizens who need support rather than on sorting.
3. Les demandes sensibles restent systématiquement entre les mains d’une personne.Sensitive requests consistently remain in the hands of a person.
4. La Ville peut expliquer simplement et publiquement comment l’IA intervient dans le service.The City can explain simply and publicly how AI is involved in the service.

Ce que nous retenonsWhat we take away

Le gain le plus important est venu du ménage dans les catégories, avant même le premier modèle. Une IA publique gagne la confiance quand ses limites sont aussi claires que ses capacités.

The biggest gain came from cleaning up the categories, even before the first model. Public-sector AI earns trust when its limits are as clear as its capabilities.

Expertises et offresExpertise and offers

Ce projet s’appuie sur les expertises et les offres suivantes.

This project draws on the following expertise and offers.

ExpertisesExpertise

OffresOffers

Tous les projetsAll projects #Innovation