Faire le lien entre la théorie urbaine et l’intelligence artificielle : un système de recommandation multi‑agents pour le développement urbain durable

Pourquoi cela compte pour la vie en ville

À mesure que de plus en plus de villes recourent à l’intelligence artificielle pour s’attaquer au trafic, aux vagues de chaleur, à la criminalité et à la pollution, un risque méconnu apparaît : de nombreux projets d’IA font abstraction de décennies de savoir sur le fonctionnement réel des quartiers. Cette étude montre que la plupart des outils d’IA urbains poursuivent les algorithmes du moment plutôt que les besoins concrets des habitants, puis propose une nouvelle manière de remettre la pensée urbaine centrée sur l’humain aux commandes des machines.

Quand les outils intelligents oublient la sagesse urbaine

Les auteurs ont passé en revue 1 123 articles de recherche utilisant l’IA pour l’aménagement et la sécurité urbains. Ils ont constaté que moins de 2 % mentionnaient même des idées classiques sur la ville, comme le rôle de la vie de rue pour la sécurité ou la manière dont les services devraient être disposés dans un quartier. À la place, près de la moitié des études étaient principalement guidées par la technologie : les chercheurs choisissaient des algorithmes parce qu’ils étaient nouveaux ou puissants, non parce qu’ils répondaient à un problème urbain réel. L’équité sociale, la résilience à long terme et le confort quotidien étaient souvent relégués au second plan.

Des données et des algorithmes qui orientent dans la mauvaise direction

L’équipe a aussi examiné les types d’algorithmes et de données utilisés par ces projets. L’apprentissage automatique moderne et le deep learning dominaient, et des modèles récents d’IA tels que les grands modèles de langage et les outils génératifs ont été adoptés presque immédiatement après leur sortie. Parallèlement, la plupart des projets reposaient sur des données facilement accessibles issues de capteurs et de l’environnement, comme les moniteurs de qualité de l’air ou les détecteurs de trafic. Des informations plus difficiles à recueillir — l’expérience des habitants, les conditions sociales ou la configuration des quartiers — étaient beaucoup moins utilisées, alors que de nombreuses théories urbaines soulignent leur importance. Le résultat est ce que les auteurs appellent « l’opportunisme des données », où ce qui est mesurable façonne les questions posées, plutôt que ce qui compte vraiment pour la vie urbaine.

Comment la course à l’IA accélère le problème

En regardant l’évolution dans le temps, les chercheurs ont observé un glissement de l’IA en milieu urbain : des expérimentations prudentes et dirigées par des problèmes vers une « poussée technologique » rapide. Avant 2008, presque aucun article en aménagement urbain n’utilisait le langage de l’IA. Après cette date, et surtout après l’essor du deep learning, le nombre d’études étiquetées « IA » a explosé, plus de 60 % ayant été publiées après 2020. De nouveaux outils tels que les modèles image‑texte et les grands modèles de texte sont apparus dans la recherche urbaine la même année que leur invention. Cette rapidité peut sembler réjouissante, mais elle incite à utiliser ce qui est le plus récent, même si c’est mal adapté à la tâche ou si cela aveugle les planificateurs aux compromis sociaux et environnementaux.

Un nouveau guide pour une IA urbaine plus intelligente et plus équitable

Pour reconnecter l’IA aux besoins urbains réels, les auteurs ont construit un système basé sur un grand modèle de langage qui fonctionne comme un panel d’assistants experts. Lorsqu’on lui donne la description d’un enjeu urbain, par exemple le gaspillage alimentaire, l’exposition à la chaleur ou le risque de catastrophe, un agent structure d’abord le problème. Un autre recherche dans une banque de 46 théories urbaines classiques celles qui décrivent le mieux la situation. Un troisième associe les méthodes d’IA adaptées, un quatrième suggère les sources de données nécessaires, et un cinquième vérifie si l’ensemble est robuste et réaliste. Des tests sur des études de cas montrent que ce processus oriente les projets loin d’objectifs étroits, comme la réduction des coûts de livraison ou l’amélioration de la précision des prédictions, vers des visées plus riches tenant compte aussi de l’équité, de la santé et des impacts climatiques.

Ce que cela signifie pour l’avenir de l’IA urbaine

En termes simples, l’étude soutient que commencer par « Que peut faire cet algorithme ? » est la mauvaise question. Les urbanistes, ingénieurs et collectivités devraient d’abord se demander « De quoi ce problème urbain a‑t‑il vraiment besoin pour devenir plus durable et plus équitable ? » puis choisir les outils d’IA qui correspondent à ces besoins et aux meilleures théories urbaines disponibles. En rendant ces théories visibles et utilisables dans un système de recommandation d’IA, les auteurs montrent comment les villes peuvent exploiter des calculs avancés sans perdre de vue l’expérience humaine, l’espace partagé et la résilience à long terme.

Citation: Tong, J., Wang, S., Wang, G. et al. Bridging urban theory and artificial intelligence: a multi-agent recommendation system for sustainable city development. npj Urban Sustain 6, 77 (2026). https://doi.org/10.1038/s42949-026-00377-2

Mots-clés: IA urbaine, villes durables, aménagement urbain, systèmes multi‑agents, gouvernance des villes intelligentes