Trouver une donnée publique demande encore souvent de savoir où chercher : se connecter à un catalogue, identifier le bon producteur, trouver le jeu de données, comprendre ses métadonnées, télécharger un fichier ou interroger une API… Et si demain, il suffisait simplement de poser une question ?
L’intelligence artificielle pourrait profondément modifier notre manière d’accéder aux données publiques. Et les premières expérimentations sont déjà là.
💬 Du moteur de recherche à la conversation
Imaginez une question toute simple : « Comment le nombre d’entreprises a-t-il évolué dans mon intercommunalité ces cinq dernières années ? »
Aujourd’hui, y répondre peut nécessiter de trouver plusieurs jeux de données, de sélectionner les bons millésimes et d'effectuer quelques traitements. Demain, un assistant pourrait rechercher lui-même les sources pertinentes, interroger les données et produire une réponse directement en langage naturel.
Ce n’est plus tout à fait de la science-fiction. En février 2026, data.gouv.fr a lancé l’expérimentation de son propre serveur MCP, justement pour permettre à des assistants d’intelligence artificielle d’explorer les données publiques.
🔌 MCP : une prise universelle entre l’IA et les données ?
Derrière l’acronyme MCP – Model Context Protocol se cache un principe assez simple : proposer un standard permettant à une intelligence artificielle de communiquer avec des outils et des sources de données externes.
Le serveur expérimental de data.gouv.fr permet ainsi à une IA de rechercher un jeu de données, consulter ses métadonnées, identifier ses ressources, interroger certaines données tabulaires ou encore télécharger et analyser une ressource.
L’utilisateur n’a donc plus nécessairement besoin de connaître le nom du fichier ou l’API à utiliser : il formule son besoin, l’IA cherche derrière lui.
🗑️ Mauvaises données + IA = mauvaise réponse
Cette simplification apparente ne fait pourtant pas disparaître le travail sur la donnée. C’est même tout l’inverse.
Pour qu’un assistant trouve la bonne information, encore faut-il que les données soient accessibles, correctement documentées, à jour et interopérables. Pour croiser plusieurs sources territoriales, disposer d’identifiants communs – code INSEE, SIRET, adresse… – devient également déterminant.
La DINUM appelle d’ailleurs à la prudence : les modèles peuvent produire des réponses incomplètes ou erronées et ne constituent pas, à eux seuls, une source officielle.
Le développement de l’IA ne rend donc pas les catalogues et les métadonnées inutiles. Au contraire, il pourrait rendre leur qualité encore plus stratégique.
🫥 Vers des catalogues… invisibles ?
C’est peut-être là que se dessine le changement le plus intéressant. Demain, l’utilisateur ne parcourra peut-être plus systématiquement un catalogue à la recherche d’un fichier CSV.
Le catalogue pourrait devenir une infrastructure de confiance en arrière-plan, utilisée par les assistants pour découvrir les données, comprendre leur contenu, identifier leur producteur et accéder aux ressources.
Quelques réutilisations commencent déjà à explorer cette logique, par exemple pour interroger en langage naturel des données immobilières ou résoudre une recherche territoriale en s’appuyant sur des référentiels publics.
🧱 Préparer les données avant de préparer l’IA
Pour les plateformes territoriales comme IDéO BFC, l’enjeu n’est donc pas simplement « d’ajouter de l’IA ». Il est d’abord de continuer à construire un patrimoine de données fiable, documenté, standardisé et facilement interrogeable.
Car plus l’accès à la donnée devient simple en façade, plus sa structuration doit être solide en coulisses.
Et demain, peut-être ne demanderons-nous plus « Où puis-je trouver cette donnée ? », mais simplement : « Que disent les données de mon territoire ? »
🔎 Pour aller plus loin
- L’expérimentation du serveur MCP de data.gouv.fr
- Le retour d’expérience de la DINUM sur le serveur MCP
- L’approche de l’intelligence artificielle sur data.gouv.fr
- Les évolutions de data.gouv.fr et les premières expérimentations IA