1Cet article s’intéresse à l’utilisation de l’intelligence artificielle (IA) dans le diagnostic des dégradations des voies de circulation des collectivités territoriales. Cet usage repose sur les capacités d’identification des technologies actuelles qui permettent de repérer automatiquement des dégradations dans les extraits vidéo d’une rue à analyser. Il s’agit de montrer dans cet article comment une telle technologie, qui doit faciliter le travail de diagnostic, s’intègre dans un environnement de travail avec des acteurs déjà bien établis comme celui des travaux publics.
2Les technologies actuelles qui sont qualifiées d’intelligence artificielle tirent leurs capacités d’une opération dite d’apprentissage d’un grand nombre de données. Ces données constituent autant d’exemples à partir desquels l’IA doit apprendre à effectuer une tâche spécifique (Cardon, Cointet et Mazières, 2018).
3En effet, il serait trop difficile de décrire dans un programme toutes les caractéristiques abstraites d’un concept formulé par les humains pour les humains. Pour reconnaître un élément comme une fissure sur la route dans le cas du diagnostic des voiries, on fournit donc un grand nombre d’images comportant ou non cet élément. La machine doit le repérer et par un jeu d’erreur-correction elle finit par être capable de le repérer dans n’importe quelle image.
4Selon l’expression utilisée par les experts en IA eux-mêmes, la machine « découvre » des règles lui permettant d’identifier quelque chose dans une image (Le Cun, 2019). Ces règles découvertes par la machine sont issues des données qui lui sont présentées. Le caractère profondément social de ces données, générées par une intense activité humaine, a déjà été établi, notamment par l’étude des travailleurs les moins qualifiés qui transforment et catégorisent ces données (Casilli, 2019 ; Tubaro, 2020) et participent ainsi à une formalisation du savoir sur lequel la machine va bâtir ses capacités, son intelligence (Jaton, 2019, Girard-Chanudet, 2023b).
5Le travail humain ne se limite pourtant pas à créer des savoirs transmissibles à une IA pour la « socialiser » au milieu où elle sera amenée à prendre en charge une tâche. Ce travail doit rendre l’IA utilisable dans un secteur spécifique comme celui des travaux publics. Autour de l’IA se déroule donc toute une activité sociale qui permet son intégration effective à ce milieu professionnel spécifique. De cette activité sociale ne résulte pas, ou pas forcément, de transmission de nouvelles capacités à l’IA. Encore moins une confiscation des capacités par la machine qui laisserait pour compte les humains. Dans le secteur des travaux publics l’expertise humaine est plus que jamais nécessaire avec l’intégration de l’IA.
6Le cœur du travail de diagnostic n’est pas tant le repérage des dégradations sur la route que la mobilisation de connaissances institutionnelles et de compétences sociales propres aux humains et encore peu accessibles aux machines. Plutôt que de remplacer l’humain, la participation de l’IA dans le travail redéfinit son rôle. À travers des opérations de supervision le travail humain permet d’intégrer l’intelligence artificielle dans une activité de diagnostic qui existait déjà sans cette technologie. Sans cela, l’insertion de l’IA dans le milieu professionnel des travaux publics serait impossible.
7Nous allons nous intéresser ici, aux opérations que les travailleurs humains prennent en charge pour permettre l’intégration de l’IA dans l’activité du diagnostic de voirie. Pour cela, cet article repose sur une enquête de terrain menée auprès de la société Junovia, qui propose un service d’audit des routes. L’enquête s’est déroulée depuis l’été 2021 avant la création de l’entreprise en 2022 ; Elle a consisté d’abord en une prise de contact par téléphone et correspondance électronique avec Alexandre, l’un des cofondateurs de Junovia. Puis elle s’est déroulée par observation participante de la totalité du processus d’audit avec les ingénieurs en travaux publics en charge des diagnostics dans l’entreprise et par des entretiens formels ou non avec Alexandre. On a suivi le processus complet d’audit de trois communes. L’audit d’une commune est entièrement réalisé par le même expert et il représente une semaine de travail à temps complet d’un expert de Junovia. Il consiste en une étape d’acquisition de données sur les routes puis en une étape au bureau de diagnostic où sont formulées des recommandations et réalisé un chfiffrage des travaux envisagés. Il s’agissait de documenter les opérations permettant l’intégration de l’IA dans le travail.
8Nous nous intéresserons ici aux adaptations des pratiques professionnelles chez Junovia puis à l’émergence de ces pratiques professionnelles des savoirs spécifiques, inaccessibles sans le travail humain et indispensables à l’intégration de l’IA dans le secteur de l’audit des routes.
9Junovia est une jeune entreprise qui, depuis janvier 2022, propose un service d’audit des dégradations des voies de circulation aux collectivités territoriales. Cette activité se déroule en deux étapes distinctes. La première est l’acquisition des données sur le terrain : il s’agit pour l’expert de Junovia de se rendre en véhicule de tourisme avec un équipement de prise de vue sur les routes à auditer pour filmer les dégradations. Le deuxième temps est celui du diagnostic qui se déroule dans les bureaux de la société Junovia. Il consiste à visionner les extraits vidéo provenant de l’acquisition pour y relever les dégradations, puis à juger de la conformité avec la qualité attendue pour la route en question et enfin formuler des recommandations avec un chiffrage des travaux pouvant servir à la commune cliente à négocier un devis avec un prestataire de travaux publics.
10Ce travail se déroule d’abord sans recours à l’IA. Un expert de Junovia se charge de toutes ces opérations depuis l’acquisition jusqu’aux recommandations formulées dans un rapport d’audit. Celui-ci est accompagné des données illustrant les dégradations sous forme de tableaux chiffrés et de repères visuels sur une carte du territoire étudié. Junovia a pourtant souhaité modifier ses pratiques professionnelles pour automatiser une partie du diagnostic. En effet, l’idée était alors de gagner en productivité et d’éliminer les tâches vécues comme fastidieuses. Au premier rang desquelles se trouve l’identification des dégradations dans les extraits vidéo.
11En effet, si le travail de recommandation et de conseil aux collectivités est valorisant car s’appuyant directement sur l’expertise en travaux publics de l’expert qui se charge du diagnostic, son étape préliminaire qu’est l’identification des défauts est considérée comme ennuyeuse. Sans intelligence artificielle, l’expert doit faire défiler les prises de vues acquises sur le terrain. Lors du défilement il doit identifier si la route est dégradée, classifier les dégâts, évaluer leur gravité, notamment en donnant un ordre de grandeur de ces dégâts. Par exemple la gravité des nids de poule est jugée relativement à leurs dimensions et à leur nombre sur une distance donnée, exprimée en mètres linéaires (voir tableau ci-dessous).
Exemple de diagnostic en fonction des chiffres de l’indicateur « nids de poule »
| Indicateurs |
Chiffre |
Unité |
Ratio |
Diagnostic |
| Nids de poule - Nombre |
8 |
U |
5 U/200ml |
Défaut mineur |
| Nids de poule - Diamètre |
10 |
cm |
10 cm |
Défaut mineur |
Tableau extrait d’un rapport de diagnostic de Junovia.
12Ce travail d’identification, demandant du temps, de la concentration et pouvant générer de la lassitude chez les humains fait partie des tâches qui peuvent aujourd’hui être prises en charge par l’intelligence artificielle. L’IA s’est développée dans de nombreux secteurs industriels nécessitant le traitement de ce qui est appelé signaux naturels en informatique comme le langage, le son, et notamment les images (Bengio, Le Cun et Hinton, 2015). Parmi ces applications, la reconnaissance d’éléments dans une image constitue même le domaine historique du renouveau de l’IA à travers les techniques d’apprentissage. Celui à partir duquel les techniques basées sur l’apprentissage ont pris leur « revanche » sur les autres (Cardon, Cointet et Mazières, 2018). L’intelligence artificielle est couramment utilisée pour ses capacités d’identification dans les activités de diagnostic, dont l’exemple le plus connu est le diagnostic sur imagerie médicale (Mignot, Shultz, 2022). Techniquement rien n’empêche de les transposer au diagnostic des routes. Pourtant le secteur des travaux publics apparaît plutôt hermétique au développement de l’IA et Junovia est la seule entreprise à l’utiliser avec succès.
13Une autre entreprise que l’on appellera StreetHealth, propose dans le même temps un service similaire aux collectivités mais s’appuyant sur un algorithme d’intelligence artificielle. La société propose de louer l’accès à une application qui permet de filmer les rues à auditer pour obtenir un diagnostic des dégradations. StreetHealth, contrairement à Junovia est particulièrement à l’aise avec le relevé des dégradations sur la route car l’intelligence artificielle qu’elle a développée automatise cette opération et ne mobilise plus d’expert humain. Cependant, elle manque de débouchés pour son service de diagnostic.
14Les deux sociétés identifient alors une coïncidence d’intérêt qui mène finalement à leur partenariat. Alexandre, cofondateur et président de Junovia raconte ainsi comment s’est déroulée la prise de contact menant au partenariat :
Je suis allé voir le profil de leur société sur LinkedIn pour m’informer. Ils ont dû voir que j’y étais allé et repérer la page de Junovia parce que quelques jours plus tard c’est eux qui m’ont contacté. Ils m’ont proposé de me servir de leur application pour le relevé des dégradations. Ce que j’ai compris c’est qu’ils avaient du mal à vendre leur application directement aux communes. Ça ne les intéresse pas les travaux publics, ils n’ont pas forcément les personnes avec les connaissances requises qui peuvent utiliser une application comme ça et en tirer des conclusions. En fait il leur manquait la partie conseil pour avoir des débouchés.
15Ce partenariat mène à une adaptation des pratiques professionnelles des deux entreprises. Junovia qui cherche à éliminer les tâches chronophages et répétitives pour optimiser ses méthodes de travail externalise donc une partie de son activité en recourant à StreetHealth, une pratique qui apparaît courante lors de l’émergence de nouvelles technologies (Roberts, 2020). StreetHealth quant à elle, trouve à travers son partenariat avec Junovia des débouchés commerciaux à son application d’intelligence artificielle. Cette entreprise purement technologique délègue donc tout un travail relationnel avec les communes qui pourraient recourir à un service d’audit des routes. Junovia devient alors l’intermédiaire de StreetHealth pour pénétrer le secteur des travaux publics.
16La première stratégie commerciale de StreetHealth qui consistait à permettre aux communes de réaliser elles-mêmes l’audit de leurs routes via une application et donc de se passer des sociétés d’audit telles que Junovia s’est donc adaptée. Cette stratégie reposait sur une promesse qui accompagne l’émergence de l’intelligence artificielle : celle du remplacement du travailleur humain (Arena, Gaglio et Vayre, 2024). Il est apparu que cette promesse de StreetHealth destinée aux communes ne trouvait pas d’écho chez ce public. Elle a donc évolué pour se conformer aux attendus dans le milieu des travaux publics, c’est-à-dire permettre un gain d’efficacité aux entreprises déjà implantées dans le service d’audit des routes comme Junovia. La réalisation de cette nouvelle promesse auprès de Junovia permet à l’IA de s’intégrer plus facilement au secteur des travaux publics que la promesse de remplacement de l’humain à laquelle le secteur était peu sensible.
17Ainsi, bien que l’identification des dégradations ne mobilise plus de travailleur humain conformément à ce que Junovia et StreetHealth désiraient en s’associant, l’humain reste très sollicité dans le travail d’audit. L’intelligence artificielle nécessite pour fonctionner des opérations précises de la part d’un expert de Junovia. S’il n’est plus mobilisé lors de l’identification des dégradations sur la route, il doit accomplir des opérations autour de ce temps d’identification qui permettront un meilleur usage de l’intelligence artificielle et au diagnostic de se dérouler au mieux. Notamment, il s’ajoute aux opérations de travail déjà évoquées, une opération de contrôle et de correction des résultats fournis par l’IA.
18L’expert qui se charge d’une mission d’audit chez Junovia se rend à son bureau pour le travail d’identification des dégradations des routes de la commune qui a mandaté l’entreprise. À ce moment du travail, Junovia mobilise son accès à l’intelligence artificielle de StreetHealth. Si on se concentre sur l’opération d’identification à proprement parler et indépendamment de toute autre chose, l’expert n’a plus comme tâche qu’à transmettre les fichiers vidéo des routes à étudier qu’il a lui-même récupérés pendant le temps d’acquisition des données sur le terrain. L’analyse des vidéos se fait directement sur les serveurs de StreetHealth. L’intelligence artificielle va les traiter à raison d’une image tous les cinq mètres. L’analyse prend une vingtaine de minutes et ne mobilise aucun travailleur humain. L’IA rend au terme de cette analyse un document indiquant pour chaque portion de route, les types de défaut relevés, leur nombre par 200 mètres et leurs dimensions.
19Cependant, l’intelligence artificielle peut faire des erreurs et ne pas relever des dégradations pourtant bien présentes, identifier des dégradations où il n’y en a pas, ou les catégoriser à tort. Entre le temps d’identification des dégradations par l’IA et la formulation des recommandations par l’expert se glisse donc un temps qui n’existait pas lorsque Junovia travaillait sans recourir à l’IA de StreetHealth. L’expert, qui auparavant pouvait formuler ses recommandations quasi simultanément à l’identification des dégradations doit désormais contrôler le résultat de l’analyse par intelligence artificielle.
20L’intelligence artificielle renvoie les fichiers analysés à Junovia. L’expert dispose donc des tableaux avec les types de dégradation et des indications chiffrées de leur gravité. Il dispose aussi de la carte de la zone étudiée montrant des points indiquant les défauts qu’il peut donc situer facilement ainsi que des images qui font maintenant apparaître le traitement par IA. Sur les images qui montrent des dégradations, celles-ci sont désormais signalées par un contour tracé par l’IA qui les associe à une catégorie telle que fissure, nid de poule ou faïençage (voir fig. 1.).
Fig. 1. Interface de l’IA de StreetHealth montrant l’identification de dégradations automatisée.
Crédit image : Junovia.
21Le travail de l’expert consiste à faire défiler les images pour vérifier que l’IA a correctement identifié chaque dégradation. L’IA analyse la vidéo à raison d’une image tous les cinq mètres, une même dégradation peut ainsi apparaître dans deux, voire trois images différentes selon ses dimensions. Il s’agit de la première source d’erreur de l’IA. L’opération de correction la plus fréquente est donc d’éliminer les doublons qui aggravent artificiellement l’état constaté des routes. Pour cela, l’expert agit directement sur l’image en effaçant les contours des dégradations déjà relevées dans les images précédentes, ce qui met à jour tous les fichiers concernant le diagnostic en cours.
22D’autres phénomènes peuvent tromper l’IA mais ne constituent pas de difficulté particulière pour un travailleur humain. Dans certains cas, la route est dégradée de manière uniforme et sur une longue distance ce qui mène l’IA à ignorer la dégradation en l’identifiant comme l’état normal de la route. Dans ce cas l’expert doit lui-même ajouter la dégradation en la dessinant sur l’image. Les conditions d’ensoleillement peuvent également grandement faire varier les capacités de l’IA à identifier certaines dégradations. Notamment un ensoleillement trop important peut mener l’IA à confondre les fissures sur la route avec les ombres projetées des câbles aériens. Les conditions météorologiques comme la pluie, les aménagements routiers particuliers comme les ralentisseurs et les rétrécissements de la route ou encore une circulation trop dense peuvent nuire à la lecture de la route par intelligence artificielle.
23L’IA repère donc trop de dégradations dans son analyse et rend un bilan pessimiste de l’état des routes. Sans l’opération de contrôle effectuée par Junovia, l’analyse par IA est peu exploitable par une collectivité territoriale. En effet, un tel travail de contrôle de l’IA n’est pas dans les attributions des agents de la mairie qui ne sont pas forcément formés aux travaux publics. Les mairies ne souhaitent pas mobiliser leurs agents alors que la promesse initiale de l’IA était de se passer de travailleurs humains. Le travail de Junovia apparaît donc indispensable pour fournir un diagnostic clair, fiable et sans mobiliser les agents de la collectivité.
24Malgré le temps consacré au contrôle de l’analyse par IA, Junovia trouve un gain de temps dans son travail de l’ordre de 30 % sur la temporalité globale passée au bureau, c’est-à-dire le temps comprenant l’identification, les recommandations, et le chiffrage des travaux dans un bilan final. Surtout, cette modification des pratiques de travail est plus valorisante pour un expert qui, sans recours à l’IA passait beaucoup de temps à identifier des dégradations qui ne posent aucune difficulté et ne demandent donc pas d’expertise particulière. Une fois assisté par l’IA, l’expert peut se concentrer sur les tâches plus exigeantes qui valorisent ses compétences dans son domaine particulier. Les erreurs de l’IA constituent les moments où l’expert doit reprendre en main le processus de diagnostic ce qui valorise son identité professionnelle et ses compétences particulières dans son secteur d’activité (Moricot, 2022).
25StreetHealth, trouve également un bénéfice à cette modification de l’usage de son intelligence artificielle. Les corrections apportées par Junovia, peuvent permettre de créer de nouvelles bases d’apprentissage de l’IA basées sur les diagnostics en conditions réelles de communes. StreetHealth peut donc améliorer les capacités d’identification des dégradations de sa machine, sur la base de l’exemple du travail de Junovia. Les experts de Junovia sont conscients de l’amélioration de l’IA grâce à leur travail. Ils y participent activement en indiquant leurs avis et leurs préconisations sur les évolutions de l’IA. Junovia a ainsi expérimenté une version plus précise de l’IA, avant de recommander à StreetHealth de revenir à la version précédente. Junovia jugeait que l’augmentation de la précision n’était pas significative pour le diagnostic mais qu’elle demandait plus de temps de traitement et donc ralentissait le travail de diagnostic. Si les défauts de l’IA n’ont pas d’impact sur le diagnostic actuel, Junovia ne prend cependant pas la peine de les signaler. Ainsi, lorsque l’IA indique avoir signalé un défaut mais n’a pas réussi à le catégoriser, les experts déduisent qu’il s’agit d’un faux positif. Puisque le défaut n’entre dans aucune catégorie, faute d’un score de confiance assez élevé, il ne figurera pas dans le rapport de l’IA, il est donc inutile pour les experts de Junovia de passer du temps à corriger cette erreur. Sans être une stratégie assumée, le fait d’ignorer certaines corrections contribue à ralentir la progression de l’IA.
26Par sa correction, l’expert en charge d’un diagnostic risque de transmettre ses propres capacités d’identification à la machine, sa compétence à repérer les dégradations que l’on pourrait penser au cœur du diagnostic. On le croirait alors dépossédé de ce qui fait la partie la plus importante du métier. Ce risque d’extraction est réel, et l’IA est amenée à progresser et à minimiser le nombre de ses erreurs. Le travail de Junovia va cependant au-delà de la correction des erreurs. L’IA ne peut être utilisée dans l’audit des voiries qu’à bien d’autres conditions qui ne sont permises que par le travail de Junovia.
27Pour effectuer au mieux son travail de correction, l’expert de Junovia s’appuie sur des connaissances acquises par l’expérience des travaux publics. Ainsi avant même de contrôler le travail d’identification de l’IA, il doit effectuer des opérations de préparation. Il doit notamment s’assurer que les données recueillies sur le terrain pendant l’étape d’acquisition seront exploitables par l’IA.
28L’utilisation du service de StreetHealth sous forme d’application nécessite des ajustements des pratiques. En effet, pour filmer les routes l’expert utilise un smartphone disposé sur un support derrière le pare-brise de son véhicule. Il le retire donc de son support après chaque acquisition pour le replacer au début de chaque nouvel enregistrement. À chaque prise de vue, la caméra du smartphone n’a pas forcément la même inclinaison et donc le même angle de vue sur la route. De même, la charge du véhicule ou la pression des pneus peuvent faire varier la hauteur de la caméra par rapport à la route. L’IA pourrait donc mal évaluer les dimensions des éléments dans la vidéo et il faut donc la recalibrer avant chaque analyse.
29Pour cela, au début de chaque temps d’acquisition, juste après avoir placé le smartphone sur son support, l’expert filme un passage piéton. De retour au bureau, l’expert de Junovia affiche les fichiers vidéo avant de les envoyer à StreetHealth. Grâce à ses connaissances en travaux publics, l’expert sait que les bandes blanches formant les passages pour piétons ont des dimensions standardisées. Une bande blanche mesure 0,5 mètre de largeur par 3 mètres de longueur. Dans une image arrêtée sur le passage piéton, l’expert dessine les contours de chaque bande blanche et y fait correspondre ces dimensions standards. En envoyant le fichier, l’IA sera calibrée sur ces dimensions et pourra en déduire celles des autres éléments dans l’image et donc celles des dégradations relevées.
30Ce n’est qu’après avoir effectué cette opération que l’expert peut transmettre les fichiers aux serveurs de StreetHealth et lancer l’analyse automatisée par intelligence artificielle depuis son poste de travail. L’anticipation de l’analyse par IA densifie à la fois le travail d’acquisition et le travail post-analyse. Dès le moment de recueil des données vidéo, l’expert doit penser aux tâches suivantes induites par l’utilisation de l’IA. Le travail se fait plus intégré, dans le sens où l’expert humain doit toujours avoir en tête l’utilisation de l’IA et l’articulation de son travail (Naville, 2016) à celle-ci alors même que l’IA n’intervient qu’à un moment très précis du travail global d’audit.
31Dans d’autres cas, l’expert acquiert une connaissance de l’usage même de l’IA et adapte ses pratiques en fonction. Par exemple, les conditions météorologiques, peuvent induire des erreurs d’analyse. L’expert a appris qu’à chaque fois que l’image était trop lumineuse où la pluie trop importante, l’IA était en difficulté. Il met alors en place des stratégies d’orientation sur ses écrans qui ne nécessitent pas de connaissances formelles des techniques mais une expérience du travail avec cette machine (Bidet, 2008). Dans son travail de contrôle il peut alors faire défiler les images avec une attention minimale, sachant que l’IA a peu de chance de s’être trompée, et arriver rapidement aux images concernées par cette difficulté particulière.
32Pour permettre à l’IA d’effectuer son travail, l’expert ne se repose pas sur des connaissances informatiques qui restent cantonnées à StreetHealth. Junovia ne possède pas de connaissances informatiques au delà de connaissances de base. La société développe néanmoins des savoirs que l’on pourrait qualifier d’industriels (Peyrard, 1987, 1991). En effet, il ne s’agit pas de connaître les principes scientifiques et techniques à l’œuvre derrière l’IA mais de déduire des savoirs de son usage qui permettent de mieux intégrer ce nouvel outil dans le travail. Les connaissances techniques formelles en travaux publics et sciences de l’ingénieur existent mais trouvent une nouvelle application, comme pour la calibration, en permettant à l’IA de travailler avec une meilleure précision. Cette maîtrise de l’usage et des savoirs qui en sont dérivés permettent en quelque sorte d’achever la conception de l’IA comme objet technique qui sans cette maîtrise humaine reste peu exploitable (Akrich, 2010) et, finalement, de rendre la coopération humain/intelligence artificielle plus fluide.
33Les capacités de détection des dégradations de l’IA ne semblent pas suffisantes pour permettre son utilisation dans le travail d’audit. L’IA de StreetHealth est ainsi peu exploitable sans l’intermédiaire de Junovia car les agents de mairies ne sont pas forcément disponibles pour effectuer les contrôles du résultat de l’identification des dégradations ou formés à interpréter les données chiffrées. Notamment, il manque une information essentielle, en l’occurence savoir si le nombre et les dimensions des dégradations relevées nécessitent le déclenchement des travaux.
34En effet, l’IA de StreetHealth analyse l’état des routes et donne un résultat d’analyse sous forme de chiffres selon le type de dégâts sur une distance précise. Le bilan final comporte par exemple x nombre de nids de poule pour 200 mètres, avec un diamètre y moyen pour une route donnée. La difficulté, une fois ce bilan obtenu, étant de savoir si ces chiffres justifient le déclenchement de travaux ou non. Il faut dès lors poser un seuil de déclenchement, une norme de travail. Celle-ci ne peut pas être induite, découverte par la machine directement depuis les données d’apprentissage. Elle ne peut être posée que par les humains selon leur tolérance plus ou moins arbitraire aux défauts de voirie. Ces connaissances ne peuvent être produites que par une plongée dans la sociabilité des travaux publics. La coopération de l’IA avec le travailleur humain reste donc un élément clé pour permettre d’inclure cette IA dans le travail de diagnostic des voiries.
35Ni les agents de mairies, ni la société StreetHealth ne détiennent de connaissances propres à poser une norme concernant le seuil de déclenchement de travaux. Ces deux types d’acteurs ne peuvent pas non plus créer cette connaissance par leur relation exclusive car le service de StreetHealth par l’interface d’une application se veut standardisé et ne permet pas de discussion avec les collectivités qui y recourent. Junovia représente alors le point d’entrée dans la sociabilité des travaux publics.
36Junovia est particulièrement bien insérée dans cette sociabilité spécifique. L’entreprise a été fondée par des experts des travaux publics et repose sur leur formation d’ingénieur ainsi que sur leur expérience acquise lors de leurs emplois précédents, quand StreetHealth provient principalement du secteur du développement logiciel. Cette sociabilité lui permet d’accéder à des savoirs socialement situés propres à ce milieu professionnel et d’offrir un service d’audit basé sur un conseil personnalisé. Lorsqu’il effectue un audit, l’expert de Junovia charrie des savoirs issus de ses différentes relations et de son rôle central dans l’audit des routes, comme ses contacts directs avec les mairies et leurs agents, sa connaissance des institutions d’autorité dans l’émission de normes de travaux et sa propre expérience.
37Pour répondre à la question du seuil de déclenchement des travaux, Junovia s’appuie notamment sur sa connaissance du milieu institutionnel et scientifique. Des institutions peu connues en dehors de ce secteur d’activité produisent des normes concernant les tolérances aux dégradations des voies de circulation. La familiarité de Junovia avec ces institutions émettrices de normes lui permet donc de formuler un diagnostic comportant des recommandations de travaux en fonction des dégradations constatées à l’aide de l’IA, mises au regard des normes dont elle a connaissance.
38Junovia fournit plusieurs sources de normes concernant le déclenchement des travaux selon l’état des routes qui lui servent de référence dans l’audit mené auprès des collectivités. Le premier est le guide Gepur (Gestion et entretien du patrimoine urbain et routier : Méthodes, outils et techniques) émit par l’Idrrim (Institut des routes, des rues, des infrastructures pour la mobilité). Le second est le Relevé des dégradations de surface des chaussées, méthode d’essai LCPC n° 38-2, et sa méthode d’essai complémentaire no 52, rédigés par le Laboratoire central des Ponts et Chaussées avant d’être intégré à l’Ifsttar, en 2011, lui-même intégré en 2020 à l’université Gustave Eiffel.
39L’existence de ces normes permet de donner une première indication au travail de diagnostic de Junovia pour décider si des travaux sont nécessaires ou non et quelle doit être leur ampleur. Junovia n’est pas la seule entreprise à s’y référer et la légitimité de ces normes est largement admise dans le milieu des travaux publics. Les guides Gepur et LCPC servent toujours de références pour les institutions à leur origine, l’Idrrim ou l’université Gustave Eiffel, mais également pour d’autres institutions telles que la Revue générale des routes et de l’aménagement ou le Centre d’études et d’expertise sur les risques, l’environnement, la mobilité et l’aménagement (Cérema). Les fondateurs de Junovia ont rencontré pour la première fois les publications de ces organismes lors de leurs études d’ingénieur à l’école Polytech’Lille dans le cadre de leurs enseignements et lors de leurs stages en entreprise. Ils les utilisent depuis dans chacun des emplois qu’ils ont pu occuper avant de fonder Junovia chez des sociétés qui font elles-mêmes référence dans le domaine des travaux publics comme Eiffage ou Vinci.
40Il s’agit donc là de normes largement partagées qui font référence dans le milieu des travaux publics. Junovia permet ainsi cette articulation entre les connaissances issues de ces institutions et la solution technologique de StreetHealth. La réussite du travail d’audit dépend du travail de ces institutions et de leur relais par Junovia. Sans ce travail, l’IA ne présente pas un grand intérêt car elle n’est pas capable d’estimer seule la nécessité de travaux ou leurs coûts. Sans ces recommandations, le diagnostic est jugé incomplet et inexploitable par les collectivités. L’usage de l’IA dépend donc particulièrement de son insertion dans un environnement social et institutionnel particulier (Girard-Chanudet, 2023a) constitué d’un réseau d’acteurs dont les opérations de travail sont parfois éloignées dans le temps et dans l’espace mais qui contribuent à rendre possible l’adaptation de l’IA à une situation de travail précise (Akrich, Callon et Latour, 2006).
41Le partenariat avec Junovia permet à StreetHealth de s’assurer un accès à ces normes institutionnelles pour optimiser l’usage de son outil dans la production d’un diagnostic auprès des mairies. De la même manière que Junovia acquiert une technologie d’intelligence artificielle auprès d’elle sans avoir à acquérir en interne de compétences en informatique, StreetHealth n’a pas à développer ses connaissances en interne par de la formation ou par l’embauche de spécialistes en travaux publics.
42Cette inclusion dans la sociabilité des travaux publics est également nécessaire pour établir une relation de confiance avec les collectivités, clientes potentielles d’un service de diagnostic. Montrer que l’on maîtrise les codes et les normes du milieu est une source particulièrement forte de légitimité dans la recherche de clients et les discussions avec les collectivités, au contraire de l’argument technologique.
43Junovia ne met pas particulièrement en avant l’utilisation de l’IA dans ses supports de communication. Elle est mentionnée dans les articles que l’entreprise publie sur les réseaux professionnels, mais toujours dans une moindre mesure par rapport aux mentions directement en lien avec son expertise en travaux publics. Selon Junovia, il ne s’agit pas d’un argument valorisé pendant les discussions avec les agents des collectivités. Les experts de Junovia rapportent que les discussions dans lesquelles ils mentionnent l’usage de l’IA rencontrent des réticences. Les agents des mairies mettent en doute les performances de l’IA ou répondent par un jugement sur l’IA en général faisant apparaître une crainte d’un remplacement de l’humain. Les rapports d’études rendus aux mairies ne mentionnent qu’une fois l’utilisation de l’IA dans le relevé des dégradations, sans détail particulier. Les institutions comme l’Idrrim ou l’université Gustave Eiffel sont à l’inverse citées nommément et jusque dans leurs mots.
44L’entreprise donne explicitement ces références en préambule des rapports d’audit rendus aux collectivités pour indiquer qu’elle travaille selon les standards de l’Idrrim et de l’université Gustave Eiffel. Junovia construit habilement dans ses supports de communication un argumentaire mobilisant l’expertise scientifique de ces organismes et son environnement institutionnel. L’entreprise indique par exemple que la fin de dotation de l’État pour l’entretien des routes, comme la fin en 2014 de l’Atesat (Assistance technique pour raisons de solidarité et d’aménagement du territoire) contribue à une dégradation des voies de circulations et justifie du même coup le recours à un service de diagnostic. La rénovation préventive des routes suit les recommandations de l’Idrrim, Junovia cite l’organisme en indiquant : « Face aux contraintes budgétaires croissantes, l’investissement est aujourd’hui réduit, et l’entretien est devenu plus que jamais indispensable, puisque 1 euro non dépensé aujourd’hui entraînera une dépense de 3 à 4 euros (voire plus) en investissement pour des travaux de réhabilitation dans l’avenir » (Idrrim, 2016). Junovia mobilise ainsi volontiers l’avis de ces institutions comme un dispositif de jugement (Karpik, 2007) qui assoit la légitimité de son diagnostic auprès de ses interlocuteurs.
45L’entreprise se réfère en effet aux normes de l’Idrrim ou de l’université Gustave Eiffel, non seulement dans un objectif purement opérationnel dans son travail de diagnostic, mais il s’agit également d’asseoir une légitimité face à ses interlocuteurs. Junovia, en présentant ses résultats peut indiquer qu’elle s’appuie sur des prescriptions de travail émises à des fins consultatives et non commerciales, par des organismes dont l’entreprise est totalement indépendante. Cette autonomie et le fait que ces institutions soient des références dans le milieu des travaux publics donnent du crédit aux recommandations émises par Junovia dans le sens où elles ont plus de chance d’être partagées et validées par les différents acteurs des travaux publics (les collectivités, les autres entreprises qui prendront en charge la réfection des routes, voire des diagnostics concurrents), que si les normes utilisées étaient propres et limitées à Junovia.
46L’IA souffre d’un manque de légitimité dans ce secteur. Junovia rend donc possible son utilisation car elle est déjà intégrée à ce secteur et que les connaissances qu’elle accumule servent également à défendre cette position de société experte des travaux publics auprès de ses interlocuteurs et d’asseoir une légitimité dont profite finalement le service d’IA de StreetHealth.
47La recommandation de travaux faite par Junovia en conclusion d’audit repose donc sur l’existence de normes décrites sur la base de l’expertise scientifique de plusieurs organismes dont la légitimité est largement acceptée par les principaux acteurs des travaux publics. Ces normes restent néanmoins indicatives et les situations pratiques diversifiées exigent de s’en écarter, de les adapter à chacune des situations rencontrées. Les seuils de déclenchement sont soumis à des négociations lors desquelles les normes institutionnelles se confrontent à d’autres acteurs formulant parfois des avis contraires.
48La principale adaptation des normes provient de l’interaction entre Junovia et les collectivités territoriales qui font appel à ses services. Les mairies ayant des contraintes budgétaires, il faut décider de l’importance relative des routes à étudier. Avec une enveloppe budgétaire limitée, les collectivités devront privilégier la rénovation de certaines routes par rapport à d’autres. Junovia commence donc un travail de conseil dès le début de la relation avec la mairie en accompagnant les agents dans la définition de leurs priorités.
49Pour cela, Junovia propose des catégories de rue en lien avec leur type d’utilisation ou leur fréquentation. Les routes secondaires feront donc l’objet de moins d’exigences de qualité dans le diagnostic et même si leur état n’est pas conforme aux critères de qualité de la route, elles peuvent ne pas faire l’objet de recommandations de travaux ou faire l’objet de recommandations de travaux de surface, alors qu’une route jugée prioritaire dans le même état fera l’objet de travaux de plus grande ampleur. Ainsi une rue à usage principalement privé comme une impasse résidentielle, ou une rue à faible trafic ne sera pas prioritaire même si elle est effectivement étudiée lors de l’audit. Les priorités initiales de la mairie peuvent être modifiées par l’avis de Junovia, comme cet avis peut ne pas être suivi pour chaque rue à étudier. Dans tous les cas, le plan de rénovation des voies de circulation est négocié pendant l’interaction et les normes sont adaptées à chaque rue en fonction de cette négociation.
50Ce travail de définition préalable est primordial pour donner un diagnostic de l’état des routes et formuler des recommandations quant aux travaux et à leurs coûts qui soient en adéquation avec les attentes de la collectivité. L’expertise scientifique d’organismes universitaires, dont sont issues les normes de déclenchement de travaux, est donc négociée dans l’interaction entre Junovia et les communes à chaque nouvel audit pour l’adapter aux impératifs de chaque cas spécifique. Les interactions de tous les acteurs d’un diagnostic précis contribuent à stabiliser des savoirs tacites qui ne recouvrent pas totalement le savoir technique qui est socialement modifié (Anichini, Geffroy, 2021). Les connaissances issues d’institutions comme l’Idrrim ne peuvent donc pas être appliquées aveuglément à chaque commune par Junovia. En effet, sans personnalisation, le rapport d’audit final risquerait d’être aberrant par rapport aux ressources de la commune cliente. Junovia doit prendre en compte cette négociation avec les collectivités avant de formuler ses recommandations.
51Ces capacités à nuancer et à adapter des connaissances spécifiques en fonction des situations de travail rencontrées restent peu accessibles à une intelligence artificielle. Même si les normes partagées dans le secteur des travaux publics étaient décrites à l’IA, il lui serait impossible d’établir un bilan des besoins et des possibilités financières d’une commune. Sans un travail humain de définition des besoins, et donc l’émergence de savoirs propres à une situation donnée, l’IA se montre peu opérante.
⁂
52L’usage de l’IA ne se limite pas à la relation exclusive d’un expert avec une machine mais sous-entend la mobilisation de nombreux acteurs, comme des entreprises, des organismes de recherche, des collectivités dans d’innombrables opérations de travail que sont la recherche, l’émission de normes, la négociation et l’arbitrage, la correction et la création de nouvelles données (Akrich, Callon et Latour, 2006). La richesse du travail d’audit des routes comme pour d’autres secteurs industriels vient de l’articulation de tous ces acteurs et de toutes ces opérations (Naville, 2016). Cette articulation des opérations et donc l’intégration optimale de l’intelligence artificielle proviennent dans ce cas de l’expertise, de l’adaptation des savoirs et de l’insertion dans la sociabilité des travaux publics de Junovia. L’humain ne fait pas que contrôler le travail de l’IA, il crée et adapte des connaissances issues de son usage dans un milieu social particulier. Connaître le fonctionnement formel d’un système informatique comme l’IA apparaît moins important que d’en comprendre les possibilités, les limites et des manières de l’intégrer dans une pratique professionnelle. Le travailleur humain possède donc toujours un rôle central sans lequel l’IA est inopérante dans le secteur de l’audit des routes.