38 % des tâches dans le public français affectées par l’IA générative, soit environ 2,2 millions d’agents publics, et qu’à terme près de 430 000 emplois pourraient théoriquement être automatisés

En s’appuyant notamment sur les travaux de Roland Berger, on peut estimer que près de 38 % des tâches réalisées dans le secteur public français pourraient être affectées par l’IA générative, soit environ 2,2 millions d’agents publics, et qu’à terme près de 430 000 emplois pourraient théoriquement être automatisés. In fine nous tentons de chiffrer les économies nettes selon différents scénarii de généralisation de l’IA entre 2 et 12 Md€ d’économies nettes/an en régime de croisière.

1.ARTICLE – L’intelligence artificielle générative dans l’administration : une piste d’économies ?

Samuel-Frédéric Servière 29 avril 2026 IFRAP

Dans un récent rapport The Public Sector in the Age of Gen AI, le cabinet de conseil Roland Berger a tenté d’évaluer l’impact que l’intelligence artificielle générative (IAG) aurait sur le secteur public au niveau mondial. Il en ressort que sur les 350 millions d’employés du secteur public au niveau planétaire, près de 36 % (soit environ 125 millions) présenteraient une forte exposition à l’IAG. 77 millions verraient leurs emplois « augmentés » par l’IAG (l’IA assistant l’humain sans le remplacer) tandis que le potentiel d’automatisation pourrait aboutir au remplacement de 26 millions d’entre eux (soit 7,5 %). Dans le cas hexagonal, l’impact de transformation sur l’ensemble des tâches publiques atteindrait près de 38 % des 5,7 millions d’agents publics, soit 2,2 millions d’agents. L’automatisation permettrait de supprimer près de 430.000 emplois dans le secteur public en France. 

L’IA dans l’administration, une pratique en cours de déploiement au sein de l’OCDE

L’OCDE vient de faire publier un premier panorama permettant de recenser les bonnes pratiques de l’IA dans l’administration, Gouverner par l’intelligence artificielle (septembre 2025[1]). Son sous-titre est évocateur : « Etat des lieux et perspectives pour les fonctions essentielles de l’Etat ». Le rapport souligne en particulier que « l’intelligence artificielle (IA) s’impose progressivement comme un pilier important de la transformation numérique des administrations publiques, offrant des avantages substantiels dans divers domaines tels que l’automatisation des processus, la détection des anomalies et l’aide à la décision ». Cependant, « l’adoption de l’IA par les administrations reste en retrait par rapport au secteur privé. Les administrations font face à un contexte et à des défis spécifiques qui s’opposent à une adoption rapide de l’IA, y compris un déficit de compétences en la matière, des problèmes d’obsolescence des systèmes d’information existants, des enjeux de disponibilité des données, ainsi qu’un contexte budgétaire tendu et des exigences plus élevées sur le plan du respect de la vie privée, de la transparence et de la représentation des divers groupes sociaux ». 

Cela explique ainsi que sur près de 200 cas d’utilisation dans 11 fonctions de l’Etat, celles-ci soient si inégalement réparties. L’évaluation des politiques publiques, les tâches de l’administration fiscale, de lutte contre la corruption et de passation des marchés publics ne représentent que 5 % des déploiements, ou moins. En revanche les tâches de conception et de prestation de service regroupent près de 23 % des cas d’utilisation, tout comme les tâches liées à la participation civique et au gouvernement ouvert (15 % des cas), ou d’accès et d’administration de la justice (13 % des cas). Relevons par ailleurs que 11 % des cas ressortent de tâches relatives au maintien de l’ordre, comme celles relatives à la conception et aux prestations d’activités réglementaires, et 7 % des cas relèvent de la gestion des finances publiques.

Il faut dire que ces tâches confiées partiellement à l’IA ne sont pas exposées aux mêmes risques. De manière générale, l’OCDE reconnait des risques éthiques (biais algorithmiques quant au libre exercice des droits humains), des risques opérationnels (défaillances techniques ou fonctionnelles), des risques d’exclusion (si les citoyens n’ont pas accès aux technologies), des risques de résistance de la population (à l’utilisation de l’IA par les pouvoirs publics), et des risques d’inaction (retards pris par les pouvoirs publics dans l’adoption de l’IA alors qu’elle pourrait générer des bénéfices importants, entraînant des coûts financiers important liés à la procrastination, qui se manifestent comme un écart entre les capacités du secteur public et celles du secteur privé). 

On relève ainsi que si les risques opérationnels sont les plus fréquents dans l’ensemble des fonctions de l’Etat (185 occurrences, 93 %), ils sont immédiatement suivis par les risques éthiques (113 occurrences, 56 %), puis seulement par les risques de rejet du public (99 cas, 50 %) et les risques d’exclusion (75 cas, 38 %). La massification du recours à l’IA dans l’administration devra nécessairement surmonter chacune de ces difficultés. 

• Risques opérationnels : exemple du dispositif australien Robodebt. Les lacunes de l’algorithme (sa simplification excessive) et l’absence de garde-fous avait conduit à l’émission de 470 000 avis de dette erronés, sans aucune vérification humaine. Ces calculs ont finalement étés jugés illégaux.
• Risques éthiques : l’affaire Toeslagenaffaire aux Pays-Bas est un scandale lié aux allocations familiales. Un système d’IA a accusé à tort 26 000 familles de fraude aux allocations, en raison d’un algorithme biaisé ciblant davantage les familles binationales ou issues de l’immigration.
• Risques potentiels de rejet du public : certains échecs passés dans le déploiement de l’IA peuvent entamer fortement la confiance de la population et remettre en cause la capacité de l’Etat à utiliser ces technologies. Ce qui suppose la mise en place de garde-fous appropriés.
• Risques potentiels d’exclusion : il s’agit par exemple de l’utilisation automatisée de plateformes citoyennes, qui peuvent avantager les personnes ayant des compétences numériques, donc des publics généralement plus favorisés… faisant ainsi mieux valoir leurs idées. Ce qui peut porter atteinte à l’expression de la pluralité des opinions.
• Risques d’inaction : « Les analyses menées (…) et les échanges avec les responsables publics montrent que la prise de conscience des opportunités manquées en raison d’une adoption trop lente de l’IA, ou des conséquences du creusement de l’écart de capacités entre secteur public et privé, reste limitée ».

L’impact de l’IAG sur le secteur public pourrait aboutir à une suppression de 7,5% des effectifs

Sur le plan mondial, le rapport du Cabinet Roland Berger[5] met en exergue que sur 350 millions de salariés du secteur public, environ 36 %, soit près de 125 millions, seront impactés dans leurs tâches par le déploiement de l’IAG (intelligence artificielle générative) dans un avenir proche. 21,8 % d’entre eux (soit environ 77 millions) verraient leur travail significativement « amélioré » par l’IAG, contre 7,5 % d’entre eux (26 millions d’agents publics) qui, au contraire, verraient leurs emplois supprimés par l’automatisation des tâches rendue possible par cette technologie. Enfin, 6,5 % d’entre eux seraient impactés (22 millions) mais sans gains ou pertes significatives.

Les fonctions les plus exposées seraient :

• A l’automatisation (donc à la suppression), les employés de bureaux : les assistants, secrétaires, agents d’accueil, et les comptables publics, avec un potentiel d’automatisation compris entre 56 % et 70 %. Seraient tout particulièrement exposés les agents d’administration générale, les agents situés en front office, ceux préposés aux guichets, ainsi que les agents chargés de l’enregistrement (numérique ou matériel) d’actes. Cela concernerait au niveau mondial environ 26 millions d’agents. Ces fonctionnaires sont préposés à des tâches répétitives, demandant peu de technicité ou requérant un fort recoupement d’informations que l’IAG pourrait prendre en charge avec plus de précision, plus rapidement et avec moins de risques d’erreurs.
• Les impacts sur l’amélioration concerneraient les professions intellectuelles, scientifiques, l’enseignement et la sécurité, en particulier les experts en finances publiques, la haute administration, les relations publiques. L’IAG renforcerait la pertinence de leurs analyses. Seraient également concernés les experts, enseignants et chercheurs (entre 21 % et 40 %) soit environ 77 millions de salariés (enseignants, médecins, juristes, ingénieurs publics etc.) dont également les managers et dirigeants publics, directeurs et hauts fonctionnaires (entre 29 et 35 %), et les forces armées et de sécurité (environ 33 %), à savoir les militaires, la police et les pompiers.

Les métiers faiblement exposés représenteraient environ 22 millions d’agents publics, qui ne seraient touchés qu’à la marge par l’IAG, en l’absence d’une démarche combinée de robotisation. Il s’agit des agents de maintenance, de transports, de nettoyage (dont ramassage des ordures, recyclage etc.). 

Les principaux avantages procurés par l’IAG seraient les suivants :

[1] https://www.oecd.org/content/dam/oecd/fr/publications/reports/2025/06/governing-with-artificial-intelligence_398fa287/6816434b-fr.pdf 

[2] https://www.lemonde.fr/idees/article/2025/10/04/diella-une-ia-nommee-ministre-en-albanie-en-quoi-un-agent-artificiel-serait-il-plus-integre-qu-un-etre-humain_6644427_3232.html

[3]https://fr.euronews.com/my-europe/2025/11/02/une-ministre-de-lia-nommee-par-edi-rama-peut-elle-propulser-lalbanie-sur-la-voie-de-ladhes

[4] https://info.haas-avocats.com/droit-digital/une-ia-nommee-ministre-en-albanie-innovation-ou-menace

[5] P. Bastien, A. Chagnaud, H. Carreira, The Public Sector in the Age of Gen AI, octobre 2025. 

[6] https://www.rolandberger.com/fr/Insights/Publications/L-impact-de-l-IA-g%C3%A9n%C3%A9rative-sur-l-emploi-en-France.html

[7] Sur une population estimée d’employés du secteur public (hors entreprises publiques) de 5,7 millions. 

2. ARTICLE – IA dans l’administration : l’apport du Rapport IGAS/IGF/IGA

Samuel-Frédéric Servière 10 juillet 2026 IFRAP

Dans notre étude publiée le 10 novembre 2025, « L’intelligence artificielle générative dans l’administration : une piste d’économies ? », nous mettions en avant l’idée selon laquelle l’intelligence artificielle générative pourrait constituer l’un des principaux leviers de transformation de la sphère publique française depuis les grandes vagues de numérisation engagées depuis le début des années 2000. En nous appuyant notamment sur les travaux de Roland Berger, nous estimions que près de 38 % des tâches réalisées dans le secteur public français pourraient être affectées par l’IA générative, soit environ 2,2 millions d’agents publics, et qu’à terme près de 430 000 emplois pourraient théoriquement être automatisés. 

In fine nous tentons de chiffrer les économies nettes selon différents scénarii de généralisation de l’IA entre 2 et 12 Md€ d’économies nettes/an en régime de croisière.

Le rapport conjoint de l’Inspection générale des finances, de l’Inspection générale de l’administration et de l’Inspection générale des affaires sociales consacré au déploiement de l’IA dans les administrations publiques ne remet nullement en cause ce diagnostic général. Au contraire, il confirme que la transformation est déjà engagée et qu’elle concerne principalement les fonctions administratives, documentaires, de gestion, de support et de relation usagers.

La principale différence réside dans l’approche retenue. Là où notre étude cherchait à documenter le potentiel économique et organisationnel à moyen terme de l’IA générative, le rapport des inspections générales s’attache davantage à quantifier l’exposition actuelle des métiers ainsi qu’à analyser les conditions concrètes de matérialisation des gains. Les précisions apportées sont importantes notamment en termes d’identification de coûts récurrents, de la multiplication des initiatives pas toujours conclusives et non nécessairement remontées à la Dinum (direction interministérielle du numérique) et de la nécessité de progresser en termes d’harmonisation et d’interopérabilité et d’industrialisation. Comme le souligne le rapport d’inspection : « Les gains qualitatifs observés sont déjà tangibles : délais divisés par six dans certains services et gains de temps de 60 % sur les fonctions supports. (…) Le principal défi est le passage à l’échelle (80 à 95 % des POC ne passent pas le stade de l’industrialisation). Faute de mutualisation systémique, les administrations subissent le poids de leur dette technique, du cloisonnement des données et des coûts récurrents (cloud, inférence) parfois sous-budgétés. Avant l’entrée en vigueur des dispositions spécifiques du règlement européen (AI Act) qui classe les usages publics comme étant à « haut risque », la souveraineté impose de maîtriser les données et la réversibilité. » In fine nous tentons de chiffrer les économies nettes selon différents scénarii de généralisation de l’IA entre 2 et 12 Md€ d’économies nettes/an en régime de croisière.

Le point de départ commun : l’IA va toucher massivement l’administration

Notre étude de novembre 2025 s’appuyait notamment sur un rapport du cabinet Roland Berger et indiquait qu’au niveau mondial, sur 350 millions d’employés du secteur public, environ 36 %, soit 125 millions, seraient fortement exposés à l’IA générative ;77 millions verraient leur travail “augmenté” et 26 millions pourraient être remplacés par automatisation, soit 7,5 % des effectifs publics mondiaux. Pour la France, l’étude estime que 37 % à 38 % des emplois publics seraient impactés, soit 2,1 à 2,2 millions d’agents, avec environ 430 000 emplois automatisables. 

Le Rapport IGF-IGAS-IGA Déploiement IA dans l’administration publique (2026) aboutit à un cadrage plus prudent : selon la transposition du référentiel de l’OIT, 20 % des agents publics français sont exposés à l’IA, soit 1,13 million d’agents, dont 13 %, soit plus de 700 000 agents, dans les catégories les plus exposées ou significativement exposées. Le rapport précise expressément que cette mesure est une évaluation de l’exposition potentielle, et non une estimation directe de gains de productivité ou d’économies d’effectifs.

Les deux approches convergent sur le fait que les fonctions administratives, supports de bureau, RH, comptables, documentaires et relation usager sont les premières touchées. Mais nous raisonnions en emplois transformables ou supprimables, tandis que les inspections raisonnent en tâches exposées, avec prudence sur la conversion en productivité budgétaire.

La divergence centrale : “emplois supprimables” contre “gains de temps à organiser”

Le chiffrage de la Fondation IFRAP est le plus offensif : il retient, pour la France, environ 430 000 emplois publics théoriquement automatisables, soit environ 8 % des emplois publics, sur un total de 5,7 millions d’agents publics. L’étude distingue aussi 1,25 million d’emplois publics “augmentés”, c’est-à-dire des postes où l’IA renforcerait plutôt la capacité de travail que ne conduirait à une substitution complète.

Le Rapport IGF-IGAS-IGA est beaucoup plus réservé : il indique que les gains liés à l’IA prennent du temps à se matérialiser, qu’ils suivent une forme de “courbe en J”, et que les administrations observent d’abord des gains de temps diffus, une amélioration de l’efficacité des processus et de la qualité, mais rarement des gains directement mesurés et convertibles en suppressions d’emplois. 

Conclusion de rapprochement : le chiffre de 430 000 emplois automatisables peut être utilisé comme potentiel théorique maximal, mais il ne peut pas être présenté comme une économie budgétaire acquise. Pour qu’il devienne crédible, il faut passer par les étapes que décrit le rapport :

• Refonte des processus, 
• Mesure des gains, 
• Mutualisation,
• Accompagnement RH, 
• Trajectoires d’emplois 
• Réallocation des tâches

Les chiffres du rapport IGF-IGA-IGAS permettent de “sécuriser” l’argument iFRAP

Là où notre approche fournissait une projection macro, le rapport des corps d’inspection apporte des preuves microéconomiques. Il recense 141 produits d’IA dans l’État, dont 54 disponibles, 17 disponibles en bêta fermée, 20 en développement, 12 démonstrateurs et 8 en investigation ; il note aussi que 51 % des produits dont l’année est renseignée ont été lancés en 2024 ou 2025, ce qui montre une accélération récente et significative. 

Le rapport relève également que la DINUM ne dispose pas d’un recensement exhaustif : certains ministères vont beaucoup plus loin que le panorama interministériel, avec par exemple 64 projets recensés dans le périmètre éducation nationale / enseignement supérieur et recherche depuis 2024, 116 projets d’IA au ministère de l’intérieur fin 2025, et 83 systèmes d’IA dans les ministères économiques et financiers à mi-décembre 2025.

Ce point renforce notre approche :l’administration n’est pas au stade de la pure spéculation ; il existe déjà une masse critique de projets. Mais le diagnostic reste nuancé : beaucoup de projets sont encore au stade de POC, de développement ou de déploiement partiel, ce qui rend prématurée une conversion immédiate en économies d’effectifs.

Les gains observés : importants, mais encore fragmentés

Le rapport IGF/IGAS/IGA fournit des exemples très utiles pour documenter la plausibilité du scénario iFRAP. À la CNAV, l’utilisation de Copilot Chat par 9 000 agents génère un gain de temps estimé entre 20 % et 30 % sur des activités courtes et à faible valeur métier ; dans les ARS, près d’un quart des agents utilisant l’IA depuis plus de neuf mois déclarent gagner jusqu’à 5 heures par semaine ; au ministère des affaires étrangères, la transcription audio fait gagner 3 heures de retranscription par heure d’enregistrement. 

Le rapport donne aussi plusieurs cas très concrets dans les ARS : 45 minutes gagnées pour l’appui à la rédaction d’une fiche de poste, 5 heures par dossier dans l’appui aux campagnes de prévention, 15 minutes par dossier pour l’analyse et la réponse aux signalements et réclamations, et 30 minutes par compte rendu pour les comptes rendus automatiques de réunion. 

Dans le cas de France Travail, les inspections citent des évaluations selon lesquelles le programme Intelligence emploi a coûté 63,9 M€ sur 2019-2022, avec un gain direct estimé de 205 ETP à partir de 2024, supérieur de 25 % à la prévision initiale de 164 ETP ; il mentionne aussi des gains attendus de 1 415 ETP sur la période, valorisés à environ 85 M€ sur la base d’un coût annuel d’environ 60 000 € par ETP. 

Ces chiffres ne permettent pas à ce stade d’identifier directement les 430 000 emplois automatisables que nous exposions sur le plan théorique, mais ils montrent que les gains de temps et d’ETP existent déjà sur certains segments. 

Les coûts et les freins : le rapport des inspections corrige l’angle “économies brutes”

L’étude de la Fondation IFRAP insiste sur la possibilité d’économies via l’automatisation. Le Rapport IGF-IGAS-IGA rappelle, lui, que l’IA n’est pas gratuite : entre 2023 et 2025, la DINUM a engagé 8,7 M€, les ministères près de 26,2 M€hors IA de défense, et France Travail 18,7 M€. 

Le rapport précise aussi que les coûts ne se limitent pas aux licences : ils comprennent les infrastructures, les licences de modèles, la préparation des données, la dette technique, la conformité, la cybersécurité, la maintenance, l’inférence, les coûts énergétiques, la formation et l’accompagnement. Il ajoute que le recours à des solutions certifiées SecNumCloud peut entraîner un surcoût de 20 % à 40 % selon les configurations. 

Donc, pour affiner notre précédente étude de manière robuste, il faut raisonner en économies nettes, pas en économies brutes :

• Économies potentielles d’ETP ;
• Moins de coûts d’investissement ;
• Moins de coûts récurrents ;
• Moins de coûts de sécurité / souveraineté / conformité ;
• Moins de coût de transformation RH ;
• Moins de maintien éventuel de doublons pendant la phase de transition.

Cadrage chiffré possible en économie budgétaire potentiel :

À partir du chiffrage initial de la Fondation iFRAP (novembre 2025) de 430 000 emplois automatisables, on peut construire un scénario illustratif. Ce calcul n’est pas donné tel quel par les sources : c’est une traduction budgétaire hypothétique.

Mais ce serait une borne haute très théorique. Une version plus crédible consisterait à retenir seulement une fraction du potentiel identifié par nos soins dans notre note de novembre 2025 en le couplant à l’approche identifiée par les inspections :

Le scénario central défendable, au regard du rapport des inspections, serait donc plutôt : plusieurs milliards d’euros d’économies potentielles à moyen terme, mais uniquement si les gains de temps sont convertis en schémas d’emplois, déconcentration des tâches, mutualisations interministérielles, réduction des doublons et refonte des processus.

Identifier les coûts directs et indirects de déploiement initial par extrapolation du rapport des 3 inspections

Le benchmark le plus utile pour une généralisation administrative est le projet MIrAI : 20,34 M€ pour environ 105 000 agents, soit environ 194 € par agent pour le coût direct du projet incluant les deux premières années de fonctionnement :

20,34 M€ / 105 000 agents = 194 € par agent

Nous appliquons ensuite une majoration de 30 % pour tenir compte des exigences de souveraineté, sécurité, conformité et hébergement sécurisé, située au milieu de la fourchette 20 %-40 %mentionnée par le rapport pour les surcoûts liés notamment à SecNumCloud.

194 € × 1,30 = 252 € par agent

À ce coût direct majoré, il faut ajouter les coûts indirects de transformation : conduite du changement, formation, documentation, adaptation des procédures, gouvernance des données, accompagnement métier, maîtrise des risques et supervision humaine. Le rapport ne donne pas de ratio unique pour ces coûts indirects ; il indique toutefois qu’ils doivent être intégrés dans le coût complet du déploiement. Pour une estimation prudente, nous retenons donc une hypothèse simple :

Ce ratio de 504 € par agent est une hypothèse de travail iFRAP ; elle ne figure pas directement dans le rapport, mais elle est construite à partir du coût constaté de MIrAI, augmenté des surcoûts de sécurité et de conformité identifiés par les inspections.

Ces montants doivent être interprétés comme des coûts initiaux de généralisation, incluant les coûts directs majorés et les coûts indirects de transformation. Mais il faut également tenir compte des coûts récurrents.

Le rapport indique que les coûts récurrents sont une dimension importante du déploiement de l’IA : maintenance, abonnements, inférence, énergie, supervision, cybersécurité, adaptation des modèles et maintien des compétences. Il souligne même que la dépense pèse largement sur le budget de fonctionnement, particulièrement en cas d’hébergement externalisé. 

Comme le rapport ne donne pas de ratio consolidé pour l’ensemble de l’administration, je propose une hypothèse de travail raisonnable :

coût récurrent annuel = environ 160 € par agent équipé et utilisateur potentiel

 Ce montant est une hypothèse iFRAP : il vise à couvrir les licences, l’inférence, la maintenance, la supervision, la cybersécurité, le support et l’actualisation des outils. Il est volontairement inférieur au coût initial complet de 504 € par agent, car les dépenses de transformation lourde ne sont pas intégralement reconduites chaque année.

 Ces montants sont cohérents avec l’alerte du Rapport IGF-IGAS-IGA selon laquelle l’IA entraîne des coûts récurrents significatifs, notamment de fonctionnement, d’inférence, de maintenance, de cybersécurité et de formation continue.

 Pour rapprocher les coûts et les économies annuelles, on peut annualiser le coût initial sur 5 ans, puis ajouter les coûts récurrents annuels.

Économie nette annuelle

Scénario central

Le scénario le plus vraisemblable consiste à à retenir :

• Le potentiel d’automatisation de notre étude : 430 000 ETP ; 
• une valorisation de 60 000 € par ETP, issue du chiffrage utilisé dans le rapport pour France Travail ; 
• un coût de généralisation central couvrant 2,2 millions d’agents, soit le périmètre des agents publics impactés dans notre étude ;
• un coût total annualisé de 0,57 Md€ par an pour ce périmètre central, 

Conclusion intermédiaire : même en intégrant un coût complet de généralisation, l’ordre de grandeur des économies nettes reste très significatif dès lors que seule une fraction du potentiel d’automatisation est effectivement convertie en moindres besoins d’ETP.

Variante prudente : ciblage sur les seuls agents exposés selon IGF-IGA-IGAS

Si l’on adopte une approche plus prudente, centrée sur les 1,13 million d’agents exposés identifiés par le Rapport IGF-IGAS-IGA, le coût annualisé tomberait à environ 0,29 Md€ par an.

Cette variante est plus favorable en apparence, mais elle suppose un ciblage prioritaire sur les métiers les plus exposés : fonctions administratives, RH, comptables, secrétariat, gestion documentaire, contrôle, relation usagers et back-office.

Variante maximaliste : généralisation à tous les agents publics

À l’inverse, si l’on généralise l’IA sécurisée à l’ensemble des 5,7 millions d’agents publics, le coût annualisé complet atteindrait environ 1,48 Md€ par an. Ce scénario est cohérent avec l’objectif évoqué dans le rapport de sortir du « shadow IA » en mettant à disposition des outils sécurisés à l’ensemble des agents publics, mais il implique de doter aussi des métiers faiblement exposés à l’IA. 

Conclusion

La maquette de l’équation financière de la diffusion de l’IA dans l’administration sur la base des éléments de remontées du rapport IGF/IGAS/IGA et nos propres travaux peut donc être résumée ainsi :

Sur la base de notre étude du 10 novembre 2025, qui identifiait environ 430 000 emplois publics potentiellement automatisables, et en retenant une valorisation prudente de 60 000 € par ETPconforme aux ordres de grandeur utilisés dans le rapport IGF-IGA-IGAS pour France Travail, le potentiel brut maximal d’économies peut être évalué à 25,8 Md€ par an. 

Ce montant doit toutefois être corrigé par les coûts complets de déploiement. Le Rapport IGF-IGAS-IGA rappelle en effet que la généralisation de l’IA suppose des coûts d’investissement, de données, de sécurité, de conformité, d’inférence, de maintenance, de formation et d’accompagnement des agents. Il souligne également que les solutions souveraines ou certifiées peuvent entraîner des surcoûts de 20 % à 40 %.

En s’appuyant sur le coût observé du projet MIrAI, évalué à 20,34 M€ pour environ 105 000 agents, soit environ 194 € par agent, puis en intégrant un surcoût de souveraineté et des coûts de transformation, on peut estimer le coût complet initial d’une généralisation à environ 500 € par agent. 

Sur un périmètre central de 2,2 millions d’agents publics impactés, le coût initial complet serait donc d’environ 1,1 Md€, auquel s’ajouteraient environ 0,35 Md€ de coûts récurrents annuels. Annualisé sur cinq ans, le coût complet atteindrait environ 0,57 Md€ par an.

Dès lors, même dans un scénario prudent où seulement 25 % du potentiel d’automatisation serait effectivement converti en moindres besoins d’ETP, les économies brutes atteindraient 6,45 Md€ par an et les économies nettes, après coût de généralisation de l’IA, environ 5,9 Md€ par an. Dans un scénario plus ambitieux où 50 % du potentiel serait converti, les économies nettes pourraient atteindre environ 12,3 Md€ par an.

La fourchette raisonnable serait :

• Économie nette prudente : autour de 2 Md€ par an
• Économie nette centrale : autour de 6 Md€ par an
• Économie nette ambitieuse : autour de 12 Md€ par an

La borne maximale de plus de 24 Md€ net par anexiste arithmétiquement, mais elle doit rester présentée comme une borne théorique de long terme, car elle supposerait la conversion quasi intégrale du potentiel de 430 000 ETP en économies budgétaires effectives, ce que le rapport des trois inspections invite précisément à ne pas présumer mécaniquement. Par ailleurs ces économies ne doivent pas être comptabilisées plusieurs fois… elles permettent de crédibiliser la baisse du nombre de fonctionnaires permise par la transition démographique en cours dans la fonction publique, elle pourrait permettre également de combler le manque de productivité lié à l’absentéisme ou au non-respect effectif du temps de travail légal dans la FPT par exemple, mais aussi palier certaines difficultés d’attractivité et de recrutement.