💻 computer science

Pluralistic-Alignment Urbanism: Operationalizing a Right to AI for Inclusive Public Space

Cet article propose l'Urbanisme de l'Alignement Pluraliste (UAP), un cadre de gouvernance procédurale qui opérationnalise un Droit à l'IA pour les systèmes d'espaces publics municipaux en s'appuyant sur des études de cas participatives à Montréal pour transformer le désaccord structuré et les variations de sous-groupes en mécanismes de gouvernance concrets tels que le reporting désagrégé, les registres de valeurs versionnés et la surveillance délibérative.

Auteurs originaux : Rashid Mushkani

Publié 2026-06-12

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Rashid Mushkani

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez une ville comme un puzzle géant et vivant. Pendant longtemps, les urbanistes ont tenté de résoudre ce puzzle en examinant les pièces et en leur attribuant un score unique : « Cette rue est-elle sûre ? Est-elle jolie ? Est-elle accessible ? » Ils utilisaient autrefois des carnets de notes et des sondages. Aujourd'hui, ils utilisent l'intelligence artificielle (IA) pour le faire plus rapidement, en scannant des milliers de photos de rues pour générer des cartes, des scores et même des images fictives de ce à quoi une rue pourrait ressembler après une rénovation.

Le problème, comme le souligne ce document, est que tout le monde voit le puzzle différemment. Une rue peut sembler « sûre » pour une personne, mais « effrayante » pour une autre. Un parc « joli » peut sembler « exclusif » pour quelqu'un d'autre. Lorsque l'IA tente de donner à chaque rue un chiffre unique ou une seule « meilleure » image, elle efface accidentellement ces points de vue divergents. Elle prétend qu'il n'y a qu'une seule bonne réponse, alors qu'en réalité, il y en a plusieurs.

Ce document propose une nouvelle façon de piloter l'IA urbaine, appelée Urbanisme de l'Alignement Pluraliste (UAP). Voyez cela comme un nouveau règlement sur la manière dont les villes devraient utiliser l'IA, basé sur l'idée que le désaccord n'est pas une erreur à corriger, mais un fait de la vie à gérer.

Voici comment le document décompose l'idée, en utilisant des analogies simples :

1. Le Problème : Le pièage du « Taille unique »

Actuellement, les villes utilisent l'IA comme un juge avec un marteau unique. L'IA regarde une rue, applique un ensemble de règles et frappe avec son marteau : « Cette rue obtient un score de 7 sur 10. »

Le Problème : Ce score tente de combiner « sécurité », « beauté » et « accessibilité » en un seul chiffre. Or, ces éléments ne vont pas toujours de pair. Une rue peut être très belle mais difficile à parcourir pour une personne en fauteuil roulant. Si vous faites la moyenne de ces éléments, vous perdez la vérité spécifique sur qui se sent exclu.
L'affirmation du document : On ne peut pas traiter l'espace public comme un problème mathématique ayant une seule réponse correcte. La « vérité » dépend de celui qui regarde.

2. La Solution : Un « Groupe de discussion » plutôt qu'un Marteau

Les auteurs suggèrent de traiter les systèmes d'IA non pas comme des juges, mais comme des facilitateurs d'une immense assemblée citoyenne permanente. Ils appellent cela un « Droit procédural à l'IA ».

Au lieu de demander à l'IA de choisir la « meilleure » réponse, le système est conçu pour :

Écouter différents groupes : Il demande à différentes personnes (selon leurs parcours) comment elles perçoivent la rue.
Maintenir le désaccord visible : Au lieu de moyenner les scores en un seul chiffre, le système garde les différents scores séparés. Il dit : « Le groupe A pense que ceci est sûr ; le groupe B pense que cela ne l'est pas. »
Respecter la réponse « Je ne sais pas » : Lorsque les gens regardent une image générée d'un nouveau parc et disent : « Je ne peux pas dire lequel est le meilleur », le système traite cette réponse « neutre » comme une donnée importante, et non comme un bug à ignorer.

3. Les deux expériences (La « Preuve de concept »)

Les auteurs ont testé cette idée à Montréal, au Canada, en utilisant deux outils différents :

Outil A : « Street Review » (La fiche d'évaluation)

Ce qu'il a fait : Ils ont demandé aux résidents de décrire ce qui rend une rue inclusive. Ils ont transformé ces descriptions en une liste de contrôle (Accessibilité, Esthétique, Praticité, Inclusivité). Ensuite, ils ont entraîné une IA à regarder des photos de rues et à prédire comment différents groupes les évalueraient.
Le Résultat : L'IA est devenue très douée pour prédire les scores (elle était précise à 89 %). Mais la découverte clé est que les scores étaient différents selon les groupes.
La Leçon : L'IA a prouvé que vous pouvez étendre ces différents points de vue pour cartographier toute la ville, mais que vous devez garder ces cartes « désagrégées ». Vous ne pouvez pas simplement montrer une carte ; vous devez montrer la carte pour l'« Accessibilité » et la carte pour la « Sécurité » séparément, car elles ne correspondent pas toujours.

Outil B : « LIVS » (Le générateur d'images)

Ce qu'il a fait : Ils ont utilisé l'IA pour générer des images de ce à quoi une rue pourrait ressembler. Ils ont demandé aux gens de choisir la « meilleure » image selon des critères spécifiques.
Le Résultat : Lorsque les gens étaient interrogés pour choisir, plus de 50 % du temps, ils disaient « Neutre » ou « Je ne peux pas décider ».
La Leçon : Ce n'était pas un échec de l'IA. C'était un signal ! Cela signifiait que pour la moitié des comparaisons, les images étaient trop similaires, ou que les critères étaient trop vagues pour désigner un vainqueur. Le document soutient que les villes devraient traiter ce taux élevé de « neutralité » comme un panneau stop. Cela signifie : « N'utilisez pas cette IA pour prendre une décision finale ici ; nous avons besoin de plus de discussion humaine. »

4. Le Nouveau Règlement : Comment les villes devraient réellement utiliser l'IA

Le document propose un système de gouvernance (UAP) qui agit comme un harnais de sécurité pour ces outils d'IA. Voici les règles principales :

Le « Registre des valeurs » : Imaginez un document vivant qui liste ce qui importe à la ville. Il sépare clairement les choses faciles à mesurer (comme « combien y a-t-il d'arbres ? ») des choses contestées (comme « est-ce que cela semble accueillant ? »). L'IA n'est autorisée à prendre des décisions que sur les choses faciles. Pour les choses contestées, elle se contente de rapporter les différentes opinions.
La « Cellule de délibération » : Il s'agit d'un groupe permanent de citoyens ordinaires qui se réunissent régulièrement pour examiner le travail de l'IA. Si l'IA commence à faire des prédictions étranges ou si les gens sont confus, ce groupe a le pouvoir de dire : « Pause. Arrêtez d'utiliser cet outil jusqu'à ce que nous comprenons le problème. »
Le bouton « Pause et Retour en arrière » : Si l'IA commence à causer du tort ou si les données montrent qu'elle ment sur le ressenti d'une rue, la ville a l'autorité de l'éteindre immédiatement et de revenir à la version précédente.
Pas de décisions « Boîte Noire » : L'IA ne peut pas être utilisée pour prendre des décisions individuelles (comme refuser un permis à une personne spécifique) ou pour appliquer des lois. Elle n'est là que pour la planification et la réflexion.

La Grande Conclusion

Le document conclut que l'IA dans les villes ne devrait pas essayer de résoudre le débat sur ce qu'est une « bonne » ville. Ce débat est sain et nécessaire.

Au lieu de cela, l'IA devrait être un outil qui maintient le débat visible. Elle doit montrer où les gens ne sont pas d'accord, pourquoi ils ne sont pas d'accord, et quand l'ordinateur ne fait que deviner. En traitant le désaccord comme une caractéristique plutôt que comme un défaut, les villes peuvent utiliser l'IA pour construire des espaces qui sont véritablement inclusifs, plutôt que des espaces qui ont simplement une belle apparence sur un tableur.

En bref : Ne demandez pas à l'IA d'être le maire. Demandez à l'IA d'être le scribe qui note toutes les différentes opinions des gens, afin que les vraies personnes puissent prendre la décision finale.

Résumé technique : Urbanisme de l'alignement pluraliste (PAU)

Énoncé du problème

Les agences municipales déploient de plus en plus de systèmes d'apprentissage automatique pour inventorier les espaces publics, évaluer les paysages urbains et générer des images synthétiques pour la planification urbaine. Ces systèmes fonctionnent comme une « couche épistémique et algorithmique » qui convertit des expériences humaines hétérogènes en artefacts comparables (scores, cartes, images) pour éclairer la budgétisation et la conception. Cependant, l'espace public est caractérisé par un désaccord persistant concernant l'inclusion, la sécurité et le sentiment d'appartenance. Les cadres de gouvernance actuels traitent souvent ces systèmes comme des outils d'aide à la décision neutres, s'appuyant sur des cibles d'évaluation uniques qui supposent un consensus universel. Cette approche risque d'obscurcir les valeurs contestées, d'effacer les différences entre les sous-groupes par une moyenne majoritaire et de légitimer des décisions qui ne tiennent pas compte de la nature pluraliste de la vie publique. L'article soutient que traiter le désaccord comme un « bruit » à éliminer est un échec de gouvernance ; au contraire, le désaccord et l'indétermination doivent être traités comme des preuves pertinentes pour la décision.

Méthodologie

L'article propose l'Urbanisme de l'alignement pluraliste (PAU), un cadre de gouvernance procédurale opérationnalisé par deux études de cas participatives menées en collaboration avec des organisations communautaires à Montréal, Canada. La méthodologie traite la participation non pas comme une validation post-hoc, mais comme la co-production de critères d'évaluation, de données et d'artefacts de gouvernance.

Street Review (Système de représentation) :
- Objectif : Évaluer les paysages urbains selon les critères des résidents et mettre à l'échelle ces jugements à l'échelle de la ville.
- Processus :
  - Élicitation : Des entretiens semi-dirigés avec 28 résidents ont généré plus de 600 descripteurs, consolidés en quatre critères : Accessibilité, Esthétique, Praticité et Inclusivité.
  - Évaluation : 12 participants ont évalué individuellement 60 images de vues de rue, puis ont discuté de ces images lors de groupes facilités pour produire des jugements collectifs.
  - Mise à l'échelle : Un modèle de régression multi-sorties supervisé a été entraîné sur 120 images évaluées (groupées par points de données au niveau de la rue pour éviter la fuite de données) afin de prédire les scores pour 45 000 images de rues. Le modèle prédit 28 scores (4 critères × 6 sous-groupes auto-identifiés + 4 agrégats).
- Métriques : Performance prédictive mesurée via le $R^2$ sur des ensembles de test mis de côté.
LIVS (Espaces visuels intersectionnels locaux) (Système génératif) :
- Objectif : Aligner les modèles de texte-vers-image avec les préférences pluralistes pour la conception de l'espace public.
- Processus :
  - Construction des données : Des ateliers avec des partenaires communautaires ont permis d'éliciter 634 concepts, consolidés en six critères (Accessibilité, Sécurité, Confort, Caractère invitant, Inclusivité, Diversité). 440 prompts rédigés par les participants ont été utilisés pour générer 16 693 images via Stable Diffusion XL.
  - Collecte de préférences : 18 participants ont annoté 37 710 comparaisons de paires d'images via une plateforme web. Crucialement, l'interface incluait une option neutre explicite pour l'indifférence ou l'indétermination.
  - Alignement : Un ajustement par Optimisation directe des préférences (DPO) a été effectué sur 35 510 comparaisons non neutres.
  - Évaluation : Un atelier de contrôle avec 25 résidents a fourni 2 100 nouvelles comparaisons pour évaluer le modèle ajusté par rapport à la ligne de base, en suivant spécifiquement le taux de sélections neutres.

Contributions clés

Urbanisme de l'alignement pluraliste (PAU) : Un cadre de gouvernance qui traite les systèmes d'IA de l'espace public comme une infrastructure civique nécessitant un Droit à l'IA procédural. Ce droit n'est pas un droit d'accès général, mais un ensemble de procédures minimales (titres, devoirs, artefacts, recours) pour les systèmes qui façonnent les conditions collectives.
L'Objet de preuve : Un changement conceptuel considérant l'artefact couplé (stimulus, critères, protocole, agrégation, représentation) comme l'unité de gouvernance. Le désaccord et la neutralité sont des propriétés de cet objet, et non des erreurs.
Architecture de gouvernance : Un modèle d'implémentation concret comprenant :
- Rapport désagrégé : Éviter la moyenne majoritaire par défaut ; rapporter les preuves spécifiques aux sous-groupes.
- Registre de valeurs versionné : Un registre municipal distinguant les dimensions évaluables des dimensions contestées.
- Cellules délibératives permanentes : Des organes participatifs dotés de l'autorité pour mettre à jour le registre des valeurs et recommander des pauses ou des retours en arrière.
- Autorité de pause et de retour en arrière : Des déclencheurs explicites pour interrompre les systèmes basés sur des préjudices documentés, une dérive ou une indétermination.

Résultats

Les études empiriques ont produit quatre propositions reliant les contraintes techniques aux implications de gouvernance :

P1 : Le pluralisme est structuré, non bruité.
- Les critères ne sont pas commensurables. Les corrélations entre les critères étaient modérées et inégales (ex: Praticité et Esthétique étaient non corrélés à $r = -0,05$ ; Inclusivité était modérément corrélé avec l'Accessibilité et l'Esthétique).
- Les évaluations des sous-groupes sur les mêmes stimuli différaient de manière significative, indiquant que les choix d'agrégation sont conséquents et peuvent effacer les différences pertinentes pour la responsabilité.
P2 : La délibération modifie l'objet de preuve.
- Les jugements de groupe n'étaient pas de simples moyennes des évaluations individuelles. La discussion a conduit à des réinterprétations des critères et à de nouvelles raisons pour l'attribution des scores.
- Le désaccord résiduel après délibération a été enregistré comme une preuve contraignant les usages permis du modèle, plutôt que d'être forcé dans un consensus.
P3 : La mise à l'échelle co-produite est réalisable mais limitée.
- Le modèle Street Review a atteint un $R^2 = 0,91$ (validation) et un $R^2 = 0,89$ (test externe).
- Cependant, la modalité (imagerie de vue de rue) limite la représentation aux indices visuels, échouant à capturer les facteurs expérientiels comme le harcèlement ou l'appartenance symbolique. Les cartes résultantes sont des artefacts d'audit, et non une vérité de terrain.
P4 : La neutralité dans l'alignement des préférences est un signal de gouvernance.
- Dans l'évaluation de contrôle de LIVS (2 100 comparaisons), 52,4 % des sélections étaient neutres (IC 95 % [50,2, 54,5]).
- Les sorties ajustées par DPO étaient préférées dans seulement 33,3 % des cas.
- Les taux élevés de neutralité indiquent que de nombreuses comparaisons ne permettent pas un classement déterminant selon les critères donnés, servant de signal pour restreindre l'optimisation plutôt que d'une étiquette à lisser.

Signification et affirmations

L'article affirme que la légitimité des systèmes d'IA de l'espace public dépend moins de la performance prédictive seule que de la capacité des institutions à soutenir une révision, une contestation et un contrôle de portée continus.

Opérationnaliser un Droit à l'IA : L'article traduit les droits abstraits en procédures municipales exécutoires, incluant des clauses de passation de marchés qui imposent le rapport désagrégé et l'autorité de pause.
Recadrer l'indétermination : En traitant la neutralité et le désaccord comme des intrants pour la gouvernance plutôt que comme des échecs du modèle, le PAU fournit un mécanisme pour justifier ce que les systèmes peuvent et ne peuvent pas légitimement représenter.
Robustesse institutionnelle : L'architecture proposée (cellules délibératives, registres de valeurs) vise à prévenir la « capture de la gouvernance » par les normes dominantes et garantit que les preuves médiées par l'IA restent contestables.

Les auteurs déclarent explicitement que l'objectif n'est pas de résoudre le désaccord sur l'espace public, mais de gouverner les systèmes de manière à ce que ce désaccord reste visible, contestable et conséquent. Le cadre est présenté comme un plancher procédural pour la prise de décision municipale, reconnaissant que les critères spécifiques et les registres de valeurs doivent être re-commissionnés localement et ne peuvent être transférés comme des modèles fixes.