evidoria

← Retour à la liste

Bonne pratique Importée

MCP pour les données ouvertes fédérales américaines — Un pilote du U.S. Digital Corps fait passer la précision de l'IA de presque zéro à 95 %

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 7% 87/100 · Demandez à Evidence Copilot à propos de cette pratique

Un projet pilote fédéral a constaté que ChatGPT, Gemini et Claude répondaient aux questions sur USASpending et CDC PLACES avec une précision proche de 0 % et de 2,1 %, grimpant à 95 % lorsque les agences ont exposé les mêmes jeux de données ouverts via des serveurs Model Context Protocol.

0 % (near-zero)
Précision des requêtes USASpending sans MCP
2,1 %
Précision des requêtes CDC PLACES sans MCP
95 % (approx., both datasets)
Précision des requêtes avec serveurs MCP
MCP pour les données ouvertes fédérales américaines — Un pilote du U.S. Digital Corps fait passer la précision de l'IA de presque zéro à 95 %

Détails

Maturité
Pilote
Promoteur
U.S. Digital Corps (General Services Administration) with the Census Bureau and Government Publishing Office
Période
2025–2026
Mots-clés
federal statistics, open data, AI infrastructure, spending transparency

Contexte

Des boursiers du U.S. Digital Corps placés au sein d'agences fédérales, dont un au Bureau du sous-secrétaire aux affaires économiques du ministère du Commerce, ont mené un projet pilote testant la précision avec laquelle des assistants d'IA généralistes (ChatGPT, Gemini et Claude Sonnet 4) pouvaient répondre à des questions portant sur deux jeux de données fédérales ouvertes, USASpending.gov et CDC PLACES.

Activités

Les modèles ont d'abord été interrogés sans aucun connecteur spécial, puis retestés à l'aide de serveurs Model Context Protocol (MCP) exposant les mêmes jeux de données directement aux outils d'IA.

Résultats

Interrogés sans assistance, les modèles ont répondu correctement aux questions USASpending près de 0 % du temps et aux questions CDC PLACES seulement 2,1 % du temps ; avec des serveurs MCP exposant les mêmes jeux de données, la précision est passée à environ 95 % pour les deux jeux de données, et une requête documentée sur une statistique de santé du comté de Worcester, qui échouait auparavant, a renvoyé immédiatement le chiffre correct, avec intervalles de confiance et données de population.

Conclusions

À la suite de ce projet pilote, le Census Bureau et le Government Publishing Office ont chacun publié un serveur MCP public sur GitHub, et le CMS et le département du Trésor ont répertorié des déploiements MCP dans leurs inventaires d'IA 2025, bien que des responsables comme le directeur de l'innovation du Census Bureau aient averti que l'accès via MCP « n'est pas LA réponse, c'est l'une des nombreuses réponses possibles » et que la couverture reste partielle.

Mise en œuvre
Coût indicatif
Faible (< 50 k€)
Délai jusqu’aux résultats
Court (< 1 an)
Personnel et compétences
U.S. Digital Corps fellows embedded in agencies (e.g., the Commerce Department), working with the Census Bureau and the Government Publishing Office.

Conditions de réussite

  • Publishing MCP servers as open source on GitHub so other agencies could adopt the same pattern.
  • Testing multiple AI models (ChatGPT, Gemini, Claude Sonnet 4) against the same datasets before and after exposing them via MCP.

Modes d’échec courants

  • Agencies themselves describe coverage as partial rather than comprehensive.
  • No dedicated long-term funding line for federal MCP maintenance is documented.

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