La concertation urbaine doit pouvoir être un processus d’équilibre entre intérêts particuliers, besoins communs et réglementations complexes. L’expérience d’Indre en Loire-Atlantique démontre l’utilité de l’IA générative pour favoriser la concertation entre services publics, élus et habitants, contribuant à une innovation démocratique et technologique.
La concertation urbaine est parfois considérée à tort comme un simple exercice de communication destiné à promouvoir un projet déjà établi et finalisé. Bien que cela ne soit pas toujours la réalité, il est important de trouver un juste équilibre entre les intérêts particuliers et les besoins et biens communs, qui peuvent parfois diverger. La complexité technique inhérente à la transformation des villes, se manifeste par de nombreuses réglementations qui nécessitent la prise en compte d’un large éventail de données touchant au climat, aux aspects sociaux, au patrimoine et à l’esthétique. Cela peut être perçu comme réduisant le champ des possibles tout en donnant l’impression de créer des obstacles réduisant les aspirations citoyennes.
La concertation implique ainsi une forme de double acculturation. D’un côté, les parties prenantes doivent apprendre à travailler avec les équipes techniques et de conception sur les contraintes non négociables. De l’autre, les attentes légitimes des personnes concernées doivent être prises en compte pour transformer leur espace de vie tout en respectant les usages et les symboles auxquels elles sont attachées. L’expérience menée à Indre, commune de Loire-Atlantique, montre comment l’intelligence artificielle générative peut devenir un outil précieux pour enrichir le dialogue entre les services publics, les élus et les habitants.
Voici le compte rendu d’une innovation démocratique et technologique.
De la concertation au dialogue augmenté
Impliquer le plus de parties prenantes possible à la fabrique de la ville est maintenant devenu une évidence, au moins dans les intentions. Dans la pratique, le dialogue se heurte souvent à de nombreux obstacles : langage technique ponctué d’acronymes, difficulté à reconnaître dans les enjeux collectifs l’intérêt individuel, sentiment d’immobilisme ou de conservatisme argumenté par des législations enchâssées les unes dans les autres ou encore incompréhension autour des temporalités longues, que ce soit la perception des urgences climatiques ou la préservation de la structure économique du territoire.
Nous pouvons cependant spéculer que les intelligences artificielles peuvent aider à changer la donne. En offrant les moyens de traiter de l’information complexe, l’IA crée les opportunités d’un enrichissement du dialogue et peut devenir ainsi un puissant outil de médiation. Pour cela, il faut concilier deux approches : l’approche quantitative qui traite de données mesurées ou à atteindre relativement à des textes encadrant les règles de construction et l’approche qualitative qui cherche à comprendre l’histoire des usages, la perception des lieux, les valeurs sentimentales et symboliques. Il s’agit donc de trouver une méthodologie qui accorde, au sens musical, les projets et les perceptions des uns et des autres.
La concertation ne s’adresse pas qu’aux habitants, terme souvent utilisé de façon réductrice. Elle s’adresse aussi aux personnes qui travaillent sur le lieu concerné, le traversent, comme les chauffeurs de bus, et y ont une activité particulière. Toutes ces personnes possèdent une expertise riche et précieuse pour saisir les subtilités d’un site. Pour les intégrer avec les habitants et constituer le panel complet, nous utilisons le terme d’habitués.
De l’exercice théorique à l’application de terrain
Les IA génératives ne permettent pas encore de couvrir l’ensemble des tâches du projet. La complexité actuelle, mais très transitoire, est d’interpoler la 2D et la 3D et de rendre compte complètement de la physique des phénomènes. Il est encore nécessaire de se rabattre sur des techniques et méthodologies classiques pour passer d’une étape à l’autre. Néanmoins, en amont du projet, pour les études de diagnostic et de faisabilité, l’IA générative permet déjà de déployer un arsenal performant. Ce dernier se décompose en deux grandes familles. La première est celle de la visualisation : c’est la possibilité de créer des images à partir de textes (prompts), d’images de références ou de schémas. Les capacités graphiques des IA augmentent tous les jours. Les approches sont plus fines avec des résultats de plus en plus contrôlés. La seconde famille est celle automatisant les faisabilités avec la génération de plans et surtout facilitant les études environnementales et climatiques. On voit dès lors que la traduction des données quantitatives issues des faisabilités et des études climatiques en représentations formelles et sensibles, offre les moyens de concevoir une solide méthode de concertation.
Le terrain choisi pour développer la méthode à échelle réelle est la commune d’Indre située en Loire-Atlantique. La commune a été choisie après que de nombreuses expériences préliminaires, en France et à l’étranger, ont été réalisées pour stabiliser la technique. Indre est composée de trois entités, Haute-Indre, Basse-Indre et Indret réparties de part et d’autre de la Loire. La ville possède un important patrimoine industriel en activité mais aussi en mutation. Des usines importantes côtoient un hameau délicat installé sur une épine rocheuse duquel les points de vue se déploient dans toutes les directions. Les proximités ne sont donc pas que programmatiques, elles sont également visuelles et sonores. Les terrains libérés par les industries sont autant d’opportunités de développement pour la commune avec toutefois des contraintes fortes avec les pollutions résiduelles des sols et le risque augmenté de submersions prochaines.
Avec les équipes municipales, un premier secteur est identifié comme possédant des enjeux forts qui sont le développement d’une nouvelle zone d’habitations, la création de lieux de vie, la jonction apaisée avec le tissu existant. Un point d’attention tout particulier est mis sur les thématiques de la ville non sexiste, de la ville la nuit et des modifications des modes de déplacements pour aller vers les modes doux.
Tu vois ce que je veux dire
Le site possède donc des contraintes architecturales, urbaines et paysagères fortes et complexes. La traduction visuelle des hypothèses de développement est donc essentielle pour éviter les affrontements dus aux incompréhensions réciproques.
Les IA génératives transforment en temps réel des intentions, des concepts ou des descriptions en images tangibles, offrant ainsi une représentation visuelle de ce que chacun peut imaginer. Souvent, à la question : « tu vois ce que je veux dire », la réponse peut être dubitative. Avec les IA génératives, le langage se transforme en images, et en quelques secondes, chacun peut constater que les mots et les idées partagées correspondent aux mêmes visions mentales.
C’est cette approche visuelle et collaborative qui a été opérée à Indre. Dans un premier temps, les IA ont accéléré le processus de faisabilité pour tester des scénarios d’un espace à lotir pour une centaine de logements. En utilisant la plateforme d’analyse Autodesk Forma, il a été rapide et aisé de modéliser et comparer différents scénarios, transformant l’exercice de faisabilité en un véritable laboratoire d’hypothèses quantifiées. C’est le point de départ de la seconde phase de l’expérimentation : l’analyse détaillée.
De l’hypothèse à la preuve, la méthodologie d’analyse
L’expérimentation ne s’est pas contentée d’esquisser des formes ; elle a déployé une méthodologie inductive pour objectiver les choix de conception. Le site de référence, avec ses défis (proximité industrielle, deux zones résidentielles distinctes à ménager, sol dépollué), imposait une contrainte majeure : le stationnement ne pouvait être envisagé qu’en surface. Cette donnée, loin d’être un détail, impacte directement la nature du paysage urbain à proposer entre intégration paysagère et conservation des zones végétales et la gestion des besoins pratiques.
L’approche s’est structurée autour d’une maquette numérique analytique, conçue pour traiter d’abord les enjeux quantitatifs avant d’explorer la dimension qualitative.
Cadrer le “faisable” : le socle analytique
La première étape consiste à intégrer l’ensemble des données disponibles dans la plateforme Forma d’Autodesk. Topographie, infrastructures existantes, données environnementales et parcelles cadastrales y sont regroupées au sein d’une base unifiée. Sur ce socle numérique, les principes fondateurs du projet ont été définis. Il ne s’agit pas de faire un projet, mais d’établir des principes qui vont être : définition des circulations, positionnement des accès et, point crucial, désignation de “zones tampons” végétalisées. Ces dernières ont été pensées comme des filtres indispensables pour gérer la jonction avec les résidences existantes, atténuer les nuisances sonores et visuelles, et affirmer la structure paysagère du futur quartier.
Une fois ce cadre établi, l’évaluation initiale porte sur le programme projetant une centaine de logements. Forma permet de tester et de chiffrer très rapidement deux configurations radicalement différentes : une première hypothèse basée sur des maisons individuelles et une seconde composée de petits logements collectifs. C’est cette capacité à comparer des scénarios qui constitue le premier apport de l’outil : il ne s’agit plus de défendre une intuition, mais d’évaluer des options.
Le “jumeau numérique” climatique : l’arbitrage par la donnée
Les premières analyses climatiques ont été réalisées en partant de l’hypothèse d’un projet composé de petits collectifs, totalisant cent quatre logements. L’objectif est de passer d’un simple plan de masse à un environnement qualifié. Forma génère des simulations simplifiées qui révèlent les premières tendances climatiques d’un plan de masse. Ainsi la simulation aéraulique a immédiatement révélé que la configuration initiale générait de nombreux espaces exposés au vent créant ainsi des zones d’inconfort. Cette donnée quantitative brute est essentielle. Elle ne donne pas la solution mais en pose le diagnostic, indiquant la nécessité d’une expertise complémentaire, par exemple en s’appuyant sur les référentiels du CSTB (Centre Scientifique et Technique du Bâtiment) pour retravailler l’orientation et la volumétrie.
L’analyse suivante portant sur les effets d’îlots de chaleur localisés, il a été possible de comparer les températures de l’air en janvier et en juin. L’outil a cartographié les zones de surchauffe potentielle. Les résultats restent approximatifs sans la spécification des matériaux de surface (on ne peut pas préciser qu’une zone est en enrobé noir et qu’une autre possède un sol végétalisé). Néanmoins, ce diagnostic précoce permet d’engager une réflexion ciblée sur la végétalisation et le choix des revêtements.
Le potentiel de lumière du jour et la quantification des heures d’ensoleillement aux moments clés (solstices et équinoxes) ouvrent la voie à d’autres vérifications. Des réglages fins sont réalisables grâce à la vitesse de traitement : cela concerne par exemple la distance entre les bâtiments afin de garantir une bonne exposition à la lumière naturelle. L’impact sonore, enfin, peut être évalué en intégrant des données de trafic open source (vitesse, volume journalier, pourcentage de poids lourds), la plateforme a calculé la pollution sonore, dans notre cas, la route D107 a été identifiée comme la source principale de pollution sonore contre laquelle le futur quartier devrait impérativement être protégé.
Grâce à la fonction “Compare”, les différents scénarios sont placés côte à côte, ce qui rend plus aisé l’évaluation visuelle et chiffrée des performances respectives des deux hypothèses. Le document analytique final est devenu la base de propositions d’améliorations urbaines : il ne s’agissait plus de placer des équipements sans tenir compte des ambiances, mais de positionner stratégiquement les aires de jeux, les espaces de sport et les cheminements piétons dans les zones identifiées comme les plus confortables et les mieux protégées.
Traduire la donnée : l’IA générative comme outil de médiation
À ce stade, le projet existe sous forme de schémas, de masses 3D et de cartes d’analyses. Il est calibré quantitativement, donne le potentiel, mais il n’est qu’une armature qu’il faut habiller des choix qualitatifs. C’est là qu’intervient la seconde famille d’IA, celle de la visualisation, pour créer les ambiances du projet.
Deux méthodes ont été explorées pour transformer ces données techniques en images capables de refléter les attentes des habitants. Une première itération a été réalisée avec les services techniques, pour les aider à maîtriser entièrement les enjeux du projet.
La description par “prompt” (texte vers image) est la première approche. Elle est purement textuelle et privilégie dans un premier temps de partir des mots des personnes invitées à expérimenter avec nous. Un “prompt d’amorce”, détaillé est proposé, décrivant une typologie d’ambiance : “bâtiments durables”, “matériaux écologiques comme le bois”, “design moderne”, “harmonie entre architecture durable et nature environnante” peuvent être des notions convoquées. L’IA génère alors des propositions visuelles à partir de ces seuls mots, traduisant une intention “qualitative” en image. Face à ces premières propositions, les interlocuteurs émettent des remarques, proposent des variations, imposent des précisions et ce sont leurs propres mots qui sont réinjectés dans les prompts. C’est donc un “accordage” progressif qui s’opère entre les différentes parties, reposant à la fois sur une acculturation esthétique et technique et une meilleure maîtrise des notions.
Exemple de prompt : Hyper-realistic urban eco-utopia : Biomimetic five stories houses with wooden façades, interwoven with translucent solar canopies. Sinuous treets teem with cyclists. Micro wind turbines disguised as sculptural trees. Sunlight dapples through leaf-like awnings, casting intricate shadows. A harmonious blend of cutting-edge sustainability and primordial nature.
La seconde approche, plus puissante, consiste à utiliser les masses de bâtiments issues de Forma comme bases pour construire l’image, c’est le principe image vers image. Le modèle 3D schématique, validé quantitativement (densité, ensoleillement, bruit), est donné à l’IA générative qui l’habille et le transforme en image d’ambiance. Les dispositions, les proportions sont préservées ; sont ajoutés les matériaux, la végétalisation, les espaces intermédiaires, le contexte. Propulsés par la première phase, les espaces urbains prennent vie, les incidents inévitables des IA génératives inspirent des solutions nouvelles, renvoient vers des références non encore mobilisées, ouvrent le champ des possibles.
Il est important de noter que ce n’est pas le projet qui se fait là, mais bien le développement du potentiel et surtout la mise en cohérence des intentions. Les IA génératives proposent de multiples solutions et c’est dans cet espace des possibles que se situe le projet. Les IA aident à s’accorder sur des typologies, à visualiser la complexité des contraintes et à résoudre des craintes liées par exemple à la densité, aux points de vue, aux impacts des masses bâties. Elles permettent aussi de mieux intégrer le faisceau des contraintes en invitant à mieux intégrer les dimensions climatiques et sonores et en travaillant plus finement sur les dispositifs réglementaires.
Aller vers la complexité
Cette synthèse méthodologique illustre un changement de paradigme. En liant l’analyse quantitative rigoureuse (le “jumeau numérique”) à la puissance évocatrice de l’IA générative (la traduction en “ambiances”), le projet n’arrive plus à la concertation avec une solution unique, mais avec des potentiels à explorer. Ces potentiels sont à la fois techniquement validés et perpétuellement accessibles. Le dialogue n’est plus une simple acculturation aux contraintes ; il devient un choix collectif et illustré entre plusieurs “faisables” désirables.
L’expérience d’Indre prouve ainsi qu’il est possible de réconcilier l’innovation technologique la plus pointue avec l’intelligence collective. Les communes qui s’engagent sur cette voie ne deviennent pas des laboratoires futuristes déconnectés, mais bien des pionnières d’une nouvelle culture de projet : plus inclusive, car chacun peut voir ce dont il est question ; plus réactive, car les options sont testées en amont ; et plus sensible, car l’émotion et le “perçu” sont réintégrés au cœur du processus technique.
La concertation augmentée par l’IA n’est donc pas un gadget. C’est un outil de démocratie visuelle. Un moyen simple, et pourtant puissant, de redonner aux habitants ce qui s’était peut-être perdu dans la complexité des acronymes et des règlements : le goût et la capacité d’imaginer leur ville, ensemble.
Discussion
Plusieurs points de discussion peuvent être évoqués. Le premier bien entendu concerne l’usage même de l’IA générative en relation avec l’impact écologique. La critique est récurrente et doit être prise en compte lorsqu’il s’agit d’être éthique dans une démarche citoyenne. Nous essayons au maximum d’utiliser des modèles en local, autant pour les modèles de langage que pour ceux créant des images ou des vidéos. Des applications comme ComfyUI ou Invoke s’installent sur un ordinateur et il n’est plus nécessaire de faire des inférences en ligne. La consommation est donc celle d’une machine classique et les applications sont open source. Les modèles génératifs, même ceux open source, fonctionnent souvent comme des boîtes noires : la méthode employée, la démarche globale doit être documentée afin de bien identifier comment sont produites les hypothèses et sur quelles données nous travaillons. La question de la traçabilité des données et des modèles devient donc essentielle. Une charte de transparence doit accompagner les projets intégrant l’IA, précisant la provenance des données, les choix de modèles et les limites d’interprétation. C’est un point sur lequel nous travaillons.
Le point suivant concerne l’engagement. Les images présentées sont impactantes et conduisent facilement à imaginer les transformations à opérer. Elles peuvent être engageantes. Les règles du jeu de la concertation doivent donc être claires quant à l’utilisation des hypothèses discutées et retenues. À la différence de ce qui peut être fait par ailleurs, les IA génératives restent indicatives dans les solutions proposées, simplement parce qu’un même prompt peut générer de nombreuses variations. Les habitués impliqués dans les démarches de concertations mesurent bien que nous sommes dans l’évocation et non dans le projet abouti ou peu s’en faut. L’usage de l’IA dans la concertation transforme donc profondément le rôle des concepteurs et place des enjeux très forts sur les phases de diagnostic et de programmation. Il faut devenir médiateurs de sens, capables de traduire simultanément des données, des émotions et des attentes.
Malgré les efforts méthodologiques proposés, la concertation augmentée par l’IA ne garantit pas automatiquement l’inclusion. La fracture numérique peut créer de nouvelles formes d’exclusion : tous les citoyens n’ont pas le même rapport à l’image, ni la même aisance avec le numérique. La méthode des “habitués” atténue ce biais en valorisant l’expérience d’usage, le fait d’aller au-devant des personnes, mais il faut veiller à maintenir un équilibre entre expertise vécue et expertise technique, notamment lors des phases de restitution. De plus, nous l’avons évoqué, les images générées ont un fort pouvoir d’évocation : elles peuvent susciter l’adhésion immédiate ou le rejet viscéral. Cela exige de la part des équipes de projet une éthique de la représentation. Dans ce contexte, le rôle du facilitateur devient crucial pour accompagner la réception émotionnelle et réinscrire la discussion dans une démarche collective et rationnelle.
Si l’IA facilite la création d’images, elle peut aussi homogénéiser les représentations. Les modèles sont souvent entraînés sur des corpus d’images internationales, éloignées des réalités locales. Ce biais esthétique peut influencer la perception du désirable, au détriment de l’identité d’un territoire. Une vigilance critique s’impose pour éviter une “IA du consensus visuel”, au profit d’une IA contextuelle nourrie de références locales et patrimoniales. Pour cela, nous travaillons sur la constitution de corpus localisés pour entraîner nos propres modèles. Cela demande encore beaucoup d’expertises, mais c’est une des conditions pour remplir les conditions éthiques évoquées : traçabilité des données, IA contextuelle, modèles en open source et utilisation en local.
