La quarantaine d’inspecteurs de la santé publique de la ville de Chicago sont chargés d’inspectés quelques 16000 établissements qui fournissent de la nourriture aux gens (magasins, grossistes, restaurants…). Pendant des années, les inspecteurs ont du passer dans chaque établissement dans un délai prescrit : un processus assurant que tout le monde était inspecté, mais pas que les contrevenants les plus probables le soient. 

Depuis 2014, rapporte The Atlantic, le département d’innovation de la ville a construit un programme pour améliorer la tournée des inspections et a publié le code et les critères de celui-ci qui repose notamment sur les précédentes infractions sanitaires des établissements, le volume des plaintes sanitaires à proximité, le délai depuis la précédente inspection et son résultat. L’algorithme a établi depuis ces données un classement pour indiquer aux inspecteurs prioritairement les établissement à inspecter. 

Pourtant, plus d’un an après, une seule ville de la métropole de Washington a repris le code pour ses propres inspections, alors que toutes sont confrontées à ces défis sanitaires. Pour Julian Spector, l’auteur de l’article, cet insuccès montre qu’il n’est pas encore si simple d’avoir des solutions de données faciles à partager. Une bonne idée ne signifie pas pour autant qu’elle va se répandre. En 2013, dans le New Yorker, l’essayiste Atul Gawande montrait la difficulté qu’avait eut les méthodes antiseptiques (comme se laver les mains ou stériliser ses outils)  à se répandre dans les pratiques chirurgicales alors que les pratiques d’anesthésie pour soulager la douleur, elles, se sont répandues bien plus rapidement. Pour Gawande, les changements dépendent pour beaucoup des communications interpersonnelles. A l’heure de la communication électronique sensée être si simple, le passage de l’idée à sa réalisation, ici la simple application d’un service, demeure encore bien compliquée. Notamment parce que l’application ne suffit pas. Chaque ville dispose de données différentes : le logiciel des uns est rarement adapté aux besoin des autres. Il a ainsi fallu deux mois au comté de Montgomery au nord de Washington pour adapter l’algorithme de Chicago, en y ajoutant notamment les commentaires des clients en provenance de Yelp et les demandes de permis de construire et de détruire. La société qui a aidé la ville à développer l’algorithme, Open Data Nation, vient de produire une application mobile et un programme pour 10 autres villes. 

Le plus important à comprendre, estime Julian Spector, est de comprendre que la modélisation prédictive est un outil d’optimisation. Et c’est certainement cette optimisation qui peut être un levier pour motiver la décision publique d’investir dans ces systèmes.