Google DeepMind réduit de 58% le temps d’examen des demandes de rénovation grâce à Gemini

Si vous avez déjà construit une véranda ou transformé une toiture au Royaume-Uni, vous savez qu’il faut d’abord obtenir l’autorisation de la collectivité locale. Derrière chaque demande se trouve une personne : un agent chargé de l’urbanisme, ou planning officer. Il lit les plans, vérifie leur conformité aux règles locales, examine les parcelles voisines et rédige un avis. Le travail est répétitif, les documents nombreux et les dossiers en attente s’accumulent. C’est précisément à cette tâche que Google DeepMind a affecté Gemini.

Ce qui a été mis en place

DeepMind a annoncé PlanAssist, un outil fondé sur Gemini destiné aux agents britanniques de l’urbanisme. Il aide à évaluer les demandes dites « householder », déposées par des propriétaires de maisons individuelles : extensions, aménagements de combles, garages et réaménagements. Elles constituent le flux le plus important et le plus standardisé du système. Les projets commerciaux complexes et les ensembles résidentiels n’entrent pas dans ce périmètre.

Le chiffre phare de l’annonce : l’outil réduit jusqu’à 58% le temps qu’un agent consacre à l’évaluation d’une demande de ce type. La publication précise « up to », soit « jusqu’à ». Il s’agit du meilleur résultat, pas d’une moyenne globale. La fin de la publication est tronquée dans le document source : elle indique que l’outil devient accessible à 12 — organisations, apparemment — sans permettre de savoir lesquelles. Ces détails sont à vérifier dans l’annonce complète de DeepMind.

Pourquoi c’est plus intéressant qu’un énième « chatbot pour les services publics »

La plupart des projets publics d’IA se terminent par une démonstration, une belle présentation, puis le silence. Ici, trois éléments témoignent d’une certaine maturité.

Premier élément : une tâche courante bien précise a été choisie, avec des données d’entrée et un résultat attendu clairement définis. Il ne s’agit pas d’un « assistant à tout faire », mais de l’évaluation d’un type particulier de demande.

Deuxième élément : l’effet est mesuré en temps de travail des agents. Pour le client, qu’il s’agisse d’une collectivité ou d’une banque, c’est l’indicateur le plus parlant. Il peut être traduit en économies financières et en réduction des dossiers en attente.

Troisième élément : l’outil dépasse le stade du pilote et sa diffusion se poursuit. Pour un produit d’IA destiné au secteur public, c’est déjà une avancée majeure.

Ce que cela signifie concrètement

Prenons une demande classique : un propriétaire souhaite ajouter un étage au-dessus de son garage. L’agent doit retrouver les dimensions dans le dossier, les comparer aux limites locales de hauteur et de distance par rapport aux limites de propriété, vérifier l’existence éventuelle d’un statut de protection et rassembler ses conclusions dans un rapport. L’essentiel du temps est consacré à la recherche et au recoupement des informations, plutôt qu’à la décision elle-même. Un modèle doté d’une longue fenêtre de contexte et capable de traiter des entrées multimodales — les plans et les dessins techniques sont aussi des documents — se prête particulièrement bien à ce travail documentaire.

Pour les développeurs, la conclusion est simple : les usages les plus rentables des LLM sont souvent les plus ennuyeux. Ils se trouvent là où une personne lit beaucoup, vérifie la conformité à une réglementation et rédige des textes standardisés.

Les responsables produit et les fondateurs peuvent en tirer trois leçons :

• Choisir un cas d’usage précis et récurrent, plutôt qu’une « IA pour tout un secteur ».
• Définir dès le départ un indicateur avec le client. Les « minutes par demande » se vendent mieux que la « précision des réponses ».
• Prévoir le déploiement : sans plan de passage à l’échelle, un pilote restera un pilote.

Limites et questions ouvertes

Plusieurs réserves s’imposent. Premièrement, 58% est une limite supérieure et, sans connaître la méthode de mesure, ce chiffre ne peut pas être transposé à d’autres processus. Deuxièmement, la publication ne précise pas les mécanismes de contrôle : qui prend la décision finale, comment les erreurs du modèle sont consignées et comment les cas litigieux sont traités. Dans un environnement réglementé, ces questions comptent davantage que la vitesse. Troisièmement, la publication émane de DeepMind elle-même : aucune évaluation indépendante n’est donc disponible à ce stade.

La tendance reste néanmoins révélatrice. Les grands laboratoires présentent de plus en plus de déploiements assortis d’économies chiffrées, au-delà des benchmarks. Si vous développez un produit B2B pour un secteur qui traite des volumes considérables de documents — droit, assurance, immobilier ou conformité — PlanAssist offre un exemple concret de ce que devrait être un argumentaire : une tâche courante bien définie, un gain mesurable et une voie claire vers le passage à l’échelle.