Dans certaines grandes villes, des logiciels analysent chaque jour des milliers de données pour indiquer aux policiers où le prochain délit risque de se produire. L’idée semblait séduisante : confier à des machines froides et rationnelles le soin de guider les patrouilles, loin des intuitions parfois teintées de préjugés. Pourtant, une analyse récente vient doucher cet optimisme technologique. Loin de rendre la sécurité plus équitable, ces outils reproduiraient et amplifieraient les inégalités qu’ils étaient censés effacer. Le cœur du problème ? Un phénomène invisible mais redoutablement efficace, qui pousse les forces de l’ordre à revenir inlassablement dans les mêmes rues. Comment une technologie pensée pour objectiver la lutte contre la délinquance peut-elle finir par tourner en rond ? Plongeons dans les rouages de cette mécanique déroutante.

Quand l’algorithme croit prédire mais ne fait que se répéter

Le principe de la police prédictive repose sur une promesse simple : en analysant les crimes passés, un algorithme identifie des zones à risque et oriente les patrouilles en conséquence. Sur le papier, cela ressemble à une météo de la délinquance, capable d’annoncer les zones de turbulences avant qu’elles ne se déchaînent. Mais c’est justement là que le bât blesse.

Imaginez un instant que vous cherchiez vos clés uniquement sous un lampadaire, parce que c’est le seul endroit éclairé. Vous ne les trouverez jamais ailleurs, tout simplement parce que vous ne regardez nulle part d’autre. C’est exactement ce qui se produit avec ces systèmes. L’étude en question documente une boucle de rétroaction : les prédictions dirigent les patrouilles vers des secteurs déjà surveillés. Plus de policiers sur place signifie mécaniquement plus de constatations, donc davantage de données enregistrées pour ce quartier. L’algorithme, nourri de ces nouvelles informations, en conclut alors que la zone est encore plus dangereuse et y renvoie encore plus de patrouilles. Le serpent se mord la queue.

Ces données du passé qui condamnent les quartiers au présent

Le talon d’Achille de ces outils tient en un mot : les données historiques. Un algorithme n’invente rien, il apprend à partir de ce qu’on lui donne. Or, les statistiques criminelles d’hier ne reflètent pas la réalité objective de la délinquance, mais plutôt l’endroit où la police a choisi de concentrer ses efforts par le passé.

Autrement dit, si certains quartiers ont été historiquement plus surveillés, souvent pour des raisons sociales ou économiques, ils apparaîtront comme plus criminogènes dans les chiffres. La machine hérite ainsi des biais humains du passé et les grave dans le marbre, tout en leur donnant un vernis de neutralité scientifique. Le danger est subtil : personne ne décide consciemment de cibler un quartier, c’est le système qui semble le désigner « objectivement ». Un délit commis dans un secteur peu patrouillé passera sous les radars, tandis que le même acte, dans une zone saturée de policiers, viendra alourdir un peu plus la statistique. La délinquance ne se déplace pas, mais le projecteur reste braqué au même endroit.

Des chiffres qui parlent : ce que révèle vraiment l’étude

Ce qui frappe le plus, c’est l’effet d’amplification. Une légère surreprésentation d’un quartier dans les données initiales ne reste pas stable : elle s’accentue à chaque cycle. Ce que l’on pourrait comparer à un effet boule de neige, où un déséquilibre minime au départ finit par tout écraser sur son passage.

Le constat central est sans appel : ces systèmes ne prédisent pas tant les crimes qu’ils ne prédisent les lieux de la surveillance policière. Ils confondent la carte et le territoire. En pratique, cela signifie qu’un quartier déjà stigmatisé voit sa réputation renforcée par un outil informatique, avec des conséquences bien réelles pour ses habitants : contrôles à répétition, sentiment de défiance, dégradation du lien entre population et forces de l’ordre. La promesse d’une justice algorithmique se retourne alors contre les plus vulnérables.

Sortir de la spirale : les pistes pour une police prédictive vraiment juste

Faut-il pour autant jeter la technologie aux oubliettes ? Pas nécessairement. Plusieurs pistes émergent pour briser ce cercle vicieux. La première consiste à diversifier les sources de données, en ne se reposant pas uniquement sur les constatations policières, forcément biaisées par la présence des patrouilles. Intégrer par exemple les signalements directs des citoyens permettrait de dresser un tableau plus fidèle de la réalité.

Une autre approche vise à corriger volontairement l’algorithme, en l’obligeant à explorer des zones qu’il aurait tendance à ignorer, un peu comme on force un enfant à goûter à de nouveaux plats plutôt qu’à toujours réclamer les mêmes. Enfin, la transparence apparaît comme un impératif : rendre ces systèmes vérifiables et compréhensibles par des regards extérieurs, afin qu’ils ne deviennent pas des boîtes noires dont personne ne comprend le fonctionnement. La supervision humaine reste plus que jamais indispensable pour empêcher la machine de s’enfermer dans ses certitudes.

Derrière la fascination pour l’intelligence artificielle se cache donc une leçon d’humilité : un outil n’est jamais plus neutre que les données qui le nourrissent. En reproduisant nos travers passés sous couvert de calcul objectif, ces algorithmes nous tendent un miroir dérangeant. La vraie question n’est peut-être pas de savoir si l’on peut prédire le crime, mais si nous sommes prêts à interroger les biais que nous confions, sans le savoir, à nos machines. Et si la technologie, plutôt que de nous remplacer, nous invitait surtout à mieux réfléchir ?