Retour d’expérience sur AURORA : un trajet exploratoire autour de l’Agentic AI

Cette session a permis de présenter les enseignements tirés du trajet exploratoire « Agentic AI LAB », réalisé entre décembre 2025 et avril 2026.

Dans ce cadre, l’équipe Infractions et sanctions administratives d' urban.brussels a proposé un trajet exploratoire portant sur certaines parties de la gestion administrative des infractions urbaines, limité à un cadre légal défini par certains articles du CoBAT et plusieurs arrêtés.

L’objectif était d’explorer l’utilisation d’agents IA capables :

• d’extraire les données pertinentes des dossiers ; 
• de définir les activités ayant eu lieu pendant la période d’infraction ; 
• de vérifier si ces activités sont restées conformes au cadre du permis délivré.

Le trajet exploratoire a permis de développer une solution capable :

• d’identifier les données manquantes dans un dossier :Sur base des premières règles métier, l’application a permis d’identifier entre 40 % et 75 % des informations requises à partir des rapports d’analyse. Ce niveau devrait encore s’améliorer avec l’intégration de nouvelles règles métier.
• de créer un assistant juridique spécifique et fiable : Grâce aux retours directs des agents d’Urban.brussels lors de la phase d’évaluation agile, le taux de données manquantes été réduit à 5 %. Celui-ci aura tendance à diminuer à mesure que la solution sera industrialisée.  Le système a également démontré une forte fiabilité : les agents d’Urban.brussels ont dû corriger la décision d’AURORA dans seulement 1 cas sur 6.
• de générer un gain de temps dans l'analyse des dossiers : Sur la base d’une évaluation de 6 cas de référence, réalisée par des agents d’Urban Brussels, AURORA a permis de réduire d’environ 90 % le temps nécessaire pour assister un agent d’Urban dans la prise de décision
• tout en maintenant une supervision humaine (« human in the loop »). 

L’expérimentation a également cherché à valider les dossiers d’infraction en comparant le dossier officiel d’évaluation réalisé par un fonctionnaire avec celui produit par des agents IA, ainsi qu’en établissant un résumé des éventuelles divergences entre les constats du fonctionnaire et ceux des 18 agents IA mobilisés.  AURORA atteint un taux d’alignement direct de 75 % avec les décisions humaines historiques. Les écarts observés s’expliquent en grande partie par la capacité d’AURORA à identifier des informations supplémentaires pertinentes. Si cela réduit mécaniquement le taux d’alignement strict, cela met également en évidence sa capacité à détecter des données critiques.

Ces agents IA interconnectés remplissaient chacun une fonction spécifique : orchestration, gestion documentaire, agents décisionnels et agents de connaissance. .

Cette expérimentation illustre le potentiel des technologies d’IA générative et des agents IA pour accompagner la transformation du secteur public, en passant progressivement d’une logique de formulaires statiques vers des flux de travail conversationnels et collaboratifs. 

Ce trajet exploratoire ouvre des perspectives prometteuses pour une collaboration renforcée entre expertises métiers et agents IA dans les administrations publiques !