evidoria

← Retour à la liste

Bonne pratique Importée

RelativityOne de la CBP — le DHS mise sur l'IA pour maîtriser un arriéré record de plus d'un million de demandes FOIA

États-Unis d'Amérique · Washington, D.C. · Voir le profil de États-Unis d'Amérique · Voir le profil de Washington, D.C.

Preuves: Observationnel / avant-après Top 83% 40/100 · Demandez à Evidence Copilot à propos de cette pratique

Face à plus d'un million de demandes FOIA par an, la Customs and Border Protection du DHS utilise la plateforme d'IA RelativityOne, qui apprend des réviseurs humains pour signaler les documents pertinents, tandis que des associations de défense des libertés civiles avertissent que l'IA n'est pas encore prête à juger des nuances juridiques de la rédaction des occultations.

1,000,000+
Demandes FOIA reçues (exercice 2025) (FY2025)
~60%
Part de l'ensemble des demandes FOIA fédérales (FY2025)
221,068
Demandes en attente au début de l'exercice 2025 (FY2025 start)
245,572
Demandes en attente à la fin de l'exercice 2025 (FY2025 end)
16%
Arriéré en proportion des demandes reçues (FY2025)
RelativityOne de la CBP — le DHS mise sur l'IA pour maîtriser un arriéré record de plus d'un million de demandes FOIA

Détails

Maturité
Établie
Promoteur
U.S. Customs and Border Protection (Department of Homeland Security)
Période
2024–2026
Mots-clés
public records, FOIA compliance, border & immigration enforcement, government transparency

Contexte

Au cours de l'exercice 2025, le Département américain de la Sécurité intérieure (DHS) a reçu plus d'un million de demandes au titre de la loi sur la liberté de l'information (FOIA) - soit environ 60 % de l'ensemble des demandes FOIA déposées auprès du gouvernement fédéral - et sa composante Douanes et Protection des frontières (CBP) traite l'essentiel de ce volume à l'aide de RelativityOne, une plateforme de revue documentaire dotée d'IA approuvée pour un usage FOIA par le bureau de la vie privée du DHS en 2024.

Objectifs

RelativityOne est conçu pour apprendre des décisions de caviardage et de pertinence prises par des relecteurs humains, puis pour étiqueter de manière autonome les documents suivants comme pertinents ou non, en présentant les dossiers avec un score de confiance et des citations à l'appui, qu'un analyste FOIA humain peut accepter, modifier ou rejeter.

Activités

Le DHS a commencé l'exercice 2025 avec 221 068 demandes FOIA en attente et, malgré la réception et le traitement d'environ un million de demandes supplémentaires, a terminé l'année avec 245 572 demandes en attente - un arriéré équivalant à 16 % des demandes reçues - et le département a indiqué qu'il prévoyait d'ajouter davantage d'automatisation pour améliorer l'efficacité et réduire les redondances administratives.

Résultats

Le DHS décrit l'arriéré de fin d'année comme ayant été maintenu plutôt que réduit malgré la forte hausse du volume de dossiers, de sorte qu'aucune réduction attribuable du temps de traitement ou de l'arriéré n'a encore été démontrée.

Conclusions

Les observateurs des libertés civiles restent prudents : l'ACLU a déclaré que l'IA pourrait aider à accélérer la recherche de documents, mais que les caviardages impliquent des nuances juridiques que l'IA n'est pas encore prête à gérer, et le Cato Institute a relevé que les communications du DHS omettent de préciser quels systèmes prennent des décisions de codage de manière autonome et lesquels ne font qu'assister un relecteur humain.

Mise en œuvre
Coût indicatif
Élevé (500 k€–5 M€) — Commercial platform (RelativityOne) licensed for CBP's FOIA division; DHS has not disclosed contract costs.
Délai jusqu’aux résultats
Moyen (1–3 ans) — Approved by DHS's Privacy Office in 2024 and in active use processing FY2025's caseload of over 1 million requests; DHS has signalled further automation is planned but has not published a timeline.
Personnel et compétences
CBP FOIA analysts, DHS Privacy Office reviewers

Conditions de réussite

  • Formal privacy review (Privacy Threshold Analysis) before approval for FOIA use
  • Human analysts retain final decision authority over AI-flagged relevance and redaction tags
  • The system is trained continuously on human reviewers' actual redaction and relevance decisions

Modes d’échec courants

  • Backlog can persist even with AI assistance if incoming request volume outpaces processing capacity
  • Lack of public disclosure on which coding decisions are made independently by AI versus a human reviewer undermines transparency

Habituellement financé par

National / regional programmes

Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pièces jointes

Pratiques similaires qui pourraient vous être utiles