Police prédictive : un outil pour la sécurité publique ou un catalyseur de biais systémiques ?

La police prédictive représente l'une des avancées les plus prometteuses des forces de l'ordre modernes, et je souhaite présenter un argumentaire clair et fondé sur des preuves pour expliquer pourquoi elle mérite une considération sérieuse en tant qu'outil de sécurité publique. Tout d'abord, abordons la réalité fondamentale selon laquelle les forces de l'ordre opèrent dans des contraintes de ressources sévères. Aucun service de police ne dispose d'un nombre illimité d'agents, de voitures de patrouille ou d'heures. Chaque décision concernant le déploiement des ressources est, par définition, une prédiction – un jugement sur l'endroit où la criminalité est la plus susceptible de se produire. La question n'est pas de savoir si la police fera des prédictions, mais si ces prédictions seront guidées par une analyse rigoureuse des données ou par les intuitions subjectives d'agents individuels. La police prédictive pilotée par l'IA remplace les intuitions par des méthodologies systématiques, transparentes et auditables. C'est une amélioration, pas une menace. Deuxièmement, les preuves étayent l'efficacité de ces systèmes. Des études sur la police prédictive basée sur les lieux – telles que l'essai contrôlé randomisé de PredPol à Los Angeles – ont montré des réductions mesurables de la criminalité dans les zones ciblées, sans augmentation correspondante des arrestations, ce qui signifie que l'effet dissuasif fonctionne sans simplement canaliser davantage de personnes dans le système de justice pénale. Lorsque la présence policière augmente dans une zone réellement à haut risque, les délinquants potentiels sont dissuadés et les victimes potentielles sont protégées. C'est un bilan positif pour la sécurité communautaire. Troisièmement, les approches basées sur les données introduisent une couche d'objectivité et de responsabilité qui fait défaut à la police traditionnelle. Lorsqu'un algorithme identifie un point chaud, le raisonnement peut être examiné, audité et contesté. Lorsqu'un agent individuel décide de patrouiller dans un quartier particulier en se basant sur des préjugés personnels ou une expérience anecdotique, il n'y a pas une telle transparence. Les systèmes de police prédictive peuvent être soumis à des audits de biais, à des contraintes d'équité et à une surveillance externe d'une manière que la prise de décision humaine ne peut tout simplement pas. Quatrièmement, les communautés qui bénéficient le plus d'une police efficace sont souvent les mêmes communautés que les critiques prétendent être lésées par ces outils. Les quartiers à forte criminalité abritent de manière disproportionnée des résidents à faible revenu et des minorités qui sont eux-mêmes les principales victimes de la criminalité violente. Retirer des ressources basées sur les données de ces zones au nom de l'équité laisserait paradoxalement les populations les plus vulnérables avec moins de protection. Enfin, les préoccupations concernant les biais dans les données historiques, bien que légitimes, sont des défis d'ingénierie – pas des disqualifications fondamentales. Les systèmes modernes de police prédictive peuvent être conçus pour pondérer certains types de données, exclure les données d'arrestation qui reflètent les biais d'application, se concentrer sur les crimes signalés par les victimes et intégrer des contraintes d'équité directement dans leurs algorithmes. La solution aux données imparfaites est de meilleures données et de meilleurs algorithmes, pas l'abandon de l'entreprise tout entière. En résumé, la police prédictive n'est pas un système parfait, mais c'est une approche plus rationnelle, transparente et améliorable de l'allocation des ressources que le statu quo. La rejeter, c'est opter pour une prise de décision humaine moins responsable, plus subjective et, finalement, plus biaisée. La voie à suivre est une mise en œuvre responsable avec une surveillance robuste – pas un rejet total d'un outil qui peut sauver des vies.

La police prédictive n'est pas une amélioration objective ou neutre des forces de l'ordre — c'est une technologie qui renforce et automatise les injustices existantes. Ces systèmes sont entraînés sur des données historiques de la police, qui reflètent où la police a patrouillé et qui elle a arrêté, et non un enregistrement impartial du comportement criminel. Cela signifie que des entrées biaisées produisent des sorties biaisées : les quartiers et les groupes démographiques qui étaient déjà soumis à une surveillance policière plus intense sont signalés comme « à haut risque », attirant encore plus l'attention de la police. Le résultat est une boucle de rétroaction auto-renforçante de surveillance, d'interpellations et d'arrestations qui perpétue les disparités plutôt que de les corriger. Cette boucle de rétroaction a de réels coûts humains. Les communautés sur-surveillées souffrent de perturbations de leur vie, de stigmatisation et d'un accès réduit aux opportunités ; les individus peuvent faire face à des interpellations répétées, du harcèlement ou des casiers judiciaires basés sur des scores algorithmiques plutôt que sur des soupçons individualisés. Les outils prédictifs génèrent également des faux positifs et des étiquettes de risque opaques sans mécanisme significatif d'appel ou de recours, sapant les principes fondamentaux de la procédure régulière et de l'équité. Au-delà des biais, la police prédictive érode la confiance du public. La coopération communautaire est essentielle à l'efficacité de la police ; lorsque les résidents pensent que l'application de la loi est motivée par des algorithmes secrets qui les ciblent injustement, ils sont moins susceptibles de signaler des crimes ou de travailler avec la police. Cette perte de confiance peut augmenter la criminalité et nuire à la vie civique d'une manière qui dépasse tout gain d'efficacité théorique. Les affirmations selon lesquelles ces systèmes réduisent la criminalité sont souvent exagérées. Des études et des déploiements réels ont montré des effets mitigés ou négligeables une fois que l'on tient compte du déplacement de l'activité policière et des causes structurelles de la criminalité. De plus, de nombreux systèmes prédictifs sont propriétaires et manquent de transparence ou d'auditabilité indépendante, ce qui rend impossible la validation de leur efficacité ou la détection des préjudices. Sans évaluation rigoureuse et indépendante, la poursuite de leur déploiement risque des dommages généralisés et non mesurés. Il existe également de sérieuses préoccupations en matière de vie privée et de libertés civiles : la combinaison de scores prédictifs avec une surveillance élargie (caméras, reconnaissance faciale, suivi de téléphone portable) crée un appareil profondément intrusif qui cible des communautés entières plutôt que de se concentrer sur des menaces avérées. Cela est incompatible avec un système judiciaire qui exige des soupçons individualisés et une protection contre les fouilles et saisies déraisonnables. Une voie plus sûre consiste à rejeter ou à limiter strictement la prévision algorithmique pour la police et à investir plutôt dans des approches qui s'attaquent aux causes profondes : services sociaux, logement, éducation, sécurité publique dirigée par la communauté, analyses transparentes soumises à une auditabilité indépendante, et jugement humain avec une responsabilité claire. Si des outils prédictifs sont jamais utilisés, ils doivent être transparents, responsables, audibles et contraints de soutenir — et non de remplacer — une police éthique et centrée sur la communauté. En bref : la police prédictive est fondamentalement défectueuse car elle encode les biais historiques, produit des boucles de rétroaction nuisibles, sape la confiance et les libertés civiles, et manque de preuves convaincantes de ses avantages. Le choix prudent et juste est d'arrêter ou de réglementer strictement ces systèmes et de réorienter les ressources vers des stratégies de sécurité publique équitables et fondées sur des preuves.

Mon adversaire a présenté un argument passionné, mais celui-ci repose sur plusieurs exagérations, de fausses dichotomies et une mauvaise interprétation fondamentale du fonctionnement réel des systèmes modernes de police prédictive. Permettez-moi de répondre directement aux points les plus forts. Premièrement, l'argument de la boucle de rétroaction. Mon adversaire affirme que, les données historiques reflétant les schémas passés de maintien de l'ordre, les systèmes prédictifs reproduisent inévitablement ces schémas. C'est la critique la plus répétée de la police prédictive, et elle mérite une réponse sérieuse plutôt qu'un rejet. La préoccupation concernant la boucle de rétroaction est réelle – mais c'est un problème de conception, pas une faille fatale. Les systèmes prédictifs modernes basés sur des lieux s'appuient de plus en plus sur les données de criminalité rapportées par les victimes – appels au 911, cambriolages signalés, agressions signalées – plutôt que sur les registres d'arrestation ou les données d'interpellation. Les rapports des victimes reflètent où le crime se produit réellement, pas seulement où la police choisit de patrouiller. La distinction est extrêmement importante. Des chercheurs de la RAND Corporation et d'ailleurs ont spécifiquement recommandé cette approche, et les implémentations responsables la suivent déjà. Mon adversaire traite toute la police prédictive comme si elle était un seul système monolithique figé en 2012. Ce n'est pas le cas. Deuxièmement, mon adversaire soutient que ces systèmes érodent la confiance du public. Mais la confiance est bien plus érodée par une police inefficace, par des temps de réponse lents, par la perception que les forces de l'ordre ont abandonné les quartiers à forte criminalité. Les résidents des communautés les plus touchées par la criminalité violente déclarent constamment vouloir une présence policière accrue, pas moindre – ce qu'ils veulent, c'est une police juste et respectueuse. Une enquête Gallup de 2020 a révélé que 81 % des Afro-Américains souhaitaient une présence policière égale ou supérieure dans leurs quartiers. Le retrait d'outils basés sur les données ne renforce pas la confiance ; il signale une indifférence à la sécurité des communautés vulnérables. Troisièmement, mon adversaire affirme que les preuves de l'efficacité sont mitigées ou négligeables. C'est trompeur. L'essai contrôlé randomisé de PredPol à Los Angeles – l'une des évaluations les plus rigoureuses menées – a révélé que les points chauds prédits par l'algorithme ont connu des réductions de criminalité par rapport aux points chauds prédits par les analystes, et de manière cruciale, cela s'est produit sans augmentation des arrestations. Une étude distincte dans le Kent, en Angleterre, a montré des résultats similaires. Ces systèmes sont-ils une solution miracle ? Non. Mais « des preuves mitigées » ne signifie pas « aucune preuve », et cela ne justifie certainement pas l'abandon de l'approche. Selon ce critère, nous abandonnerions la plupart des interventions en matière de justice pénale, de santé publique et d'éducation, où les preuves sont presque toujours mitigées. Quatrièmement, l'argument de la vie privée et des libertés civiles confond la police prédictive avec les technologies de surveillance telles que la reconnaissance faciale et le suivi des téléphones portables. Ce sont des outils distincts avec des cadres juridiques et éthiques distincts. La police prédictive basée sur des lieux – qui identifie les points chauds géographiques, pas les suspects individuels – n'implique intrinsèquement aucune expansion de la surveillance. Elle indique aux agents où patrouiller, pas qui interpeller. Regrouper toutes les technologies controversées en un seul épouvantail est rhétoriquement efficace mais analytiquement malhonnête. Cinquièmement, mon adversaire suggère que nous devrions plutôt investir dans les services sociaux, le logement, l'éducation et la sécurité dirigée par la communauté. Je suis entièrement d'accord pour dire que ces investissements sont essentiels. Mais c'est un faux dilemme. La police prédictive et l'investissement social en amont ne sont pas mutuellement exclusifs – ils sont complémentaires. Les communautés ont besoin à la fois de solutions structurelles à long terme et de réponses immédiates et efficaces à la criminalité en cours. Une mère dont l'enfant a été abattu la semaine dernière ne peut pas attendre qu'un programme de logement réduise la violence au cours de la prochaine décennie. Elle a besoin d'une police efficace maintenant. Enfin, mon adversaire appelle à la transparence, à la responsabilité, à l'auditabilité et à la supervision indépendante de tous les outils algorithmiques. Je suis entièrement d'accord – et c'est précisément mon point. Les algorithmes peuvent être audités. Ils peuvent être soumis à des contraintes d'équité. Ils peuvent être examinés par des organismes indépendants. Ils peuvent être améliorés itérativement. L'intuition humaine et la discrétion individuelle des agents ne peuvent pas être auditées de la même manière. Les garanties mêmes que mon adversaire exige sont plus réalisables avec des systèmes algorithmiques qu'en leur absence. Le cœur de l'argument de mon adversaire se résume finalement à ceci : parce que la police prédictive peut être mal mise en œuvre, elle ne devrait pas être mise en œuvre du tout. Cette logique, appliquée de manière cohérente, éliminerait pratiquement tous les outils de la gouvernance moderne. La position responsable n'est pas l'abolition mais la réforme – algorithmes transparents, données d'entrée rapportées par les victimes, audits indépendants, supervision communautaire et limites strictes sur la manière dont les prédictions se traduisent en actions policières. C'est la voie vers la sécurité et la justice.

Vous présentez la police prédictive comme une solution pragmatique aux ressources rares et au jugement humain imparfait, mais ces prémisses ne justifient pas le déploiement d'un outil qui reproduit et amplifie systématiquement le préjudice. Je répondrai point par point à vos arguments les plus solides et montrerai pourquoi les risques l'emportent sur les bénéfices promis. 1) Les contraintes de ressources n'excusent pas la prise de décision biaisée. Oui, la police doit établir des priorités, mais l'utilisation de modèles entraînés sur des historiques d'arrestations et de patrouilles ne fait qu'automatiser les choix d'application passés. Ces registres reflètent qui a été soumis à la police, pas qui a commis un crime. L'automatisation de ce schéma garantit une allocation biaisée des ressources plutôt que de la corriger. De meilleures alternatives — déploiement transparent basé sur les besoins, contribution communautaire et investissements dans les services sociaux — remédient à la rareté sans consacrer l'injustice dans le code. 2) Les preuves d'une réduction significative et évolutive de la criminalité sont beaucoup plus faibles et plus contestées que vous ne le suggérez. L'essai PredPol à L.A. a été présenté comme un succès, mais des analyses ultérieures montrent que les effets étaient limités, de courte durée et sensibles à la manière dont les résultats ont été mesurés. De nombreux déploiements signalent des déplacements de la criminalité, des changements dans les comportements de signalement ou des réductions de la criminalité enregistrée qui découlent d'une surveillance accrue plutôt que de réelles diminutions de la victimisation. De petits effets dissuasifs localisés ne justifient pas des systèmes étendus qui génèrent des atteintes généralisées aux libertés civiles. 3) « L'objectivité » est une affirmation trompeuse. Les algorithmes ne sont aussi neutres que leurs entrées et leurs choix de conception. Les entrées clés — registres d'arrestation, appels au 911, rapports d'interpellation — sont façonnées par les pratiques policières et la confiance de la communauté. L'ingénierie des « contraintes d'équité » nécessite souvent des choix politiques quant aux préjudices à prioriser et peut introduire de nouveaux compromis (par exemple, réduire les faux positifs pour un groupe peut les augmenter pour un autre). De nombreux produits prédictifs sont propriétaires et opaques, empêchant une audit indépendante. L'objectivité exige la transparence et la contestabilité ; la plupart des systèmes actuels manquent des deux. 4) L'idée que les communautés qui « bénéficient le plus » de la police prédictive sont les mêmes communautés ciblées ignore la réalité vécue. Les quartiers fortement surveillés par la police sont fréquemment sur-surveillés, les résidents subissant plus d'interpellations, de fouilles et de casiers judiciaires pour des infractions que des personnes similaires ailleurs évitent. Ce schéma nuit à l'emploi, à l'éducation et à la participation civique — des résultats qui augmentent la vulnérabilité et la méfiance à long terme. La sécurité publique n'est pas servie par la criminalisation de la pauvreté et de la marginalisation. 5) Les boucles de rétroaction et la légitimation des pratiques biaisées sont inhérentes, pas hypothétiques. Lorsqu'un système signale un quartier, la présence policière augmente, produisant plus d'incidents enregistrés et d'arrestations que l'algorithme traite ensuite comme des preuves de risque plus élevé. Cette boucle renforce les disparités et est difficile à briser, car les données mêmes que vous utiliseriez pour corriger le système sont corrompues par l'activité d'application. Promettre de « corriger les données » est circulaire si la police est le générateur de données. 6) La vie privée, le droit à une procédure régulière et la confiance de la communauté sont des coûts concrets et mesurables. Les systèmes prédictifs étendent souvent la surveillance (placement de caméras, interpellations, application ciblée) et étiquettent les personnes et les lieux avec des scores de risque opaques qui manquent de mécanismes de contestation. L'érosion de la confiance réduit la coopération avec la police et mine la sécurité publique à long terme — contre-productif par rapport à l'objectif déclaré de ces systèmes. 7) Des alternatives pratiques et plus sûres existent. Réorientez les fonds vers la prévention de la violence dirigée par la communauté, le logement, les services de santé mentale et de toxicomanie, les interventions fondées sur des preuves et des analyses transparentes qui éclairent la politique (pas le ciblage automatisé). Lorsque les analyses éclairent la police, exigez des modèles open-source, des ensembles de données publics, des audits indépendants, des évaluations d'impact et des limites strictes aux utilisations d'application. En bref : la police prédictive offre une illusion de neutralité scientifique tout en enfermant l'injustice historique. Vos propositions de modifier les modèles, d'exclure certaines entrées ou d'ajouter des contraintes d'équité sont insuffisantes pour surmonter les problèmes structurels de génération de données biaisées, de boucles de rétroaction et de pratiques opaques des fournisseurs. La voie responsable est d'arrêter ou de contraindre strictement la police prédictive, d'insister sur une transparence totale et une évaluation indépendante avant toute utilisation opérationnelle, et de prioriser les investissements qui s'attaquent aux causes profondes de la criminalité plutôt que d'automatiser la punition.

Je conclurai en résumant pourquoi le maintien de la police prédictive responsable est justifié, et pourquoi les arguments de mon adversaire, tout en soulevant des préoccupations légitimes, ne parviennent pas à justifier l'abandon de cet outil. Tout au long de ce débat, mon adversaire a eu recours à une stratégie rhétorique constante : prendre la pire implémentation possible de la police prédictive, la considérer comme la seule implémentation possible, puis plaider pour son abolition. Or, ce n'est pas ainsi que nous évaluons une technologie ou une politique. Nous n'abandonnons pas les diagnostics médicaux parce que certains algorithmes ont montré des biais raciaux – nous les corrigeons. Nous n'abandonnons pas les prévisions météorologiques parce que les premiers modèles étaient inexacts – nous les améliorons. La question n'a jamais été de savoir si la police prédictive est parfaite aujourd'hui. La question est de savoir si elle représente un cadre plus améliorable, plus transparent et plus responsable que l'alternative – qui est le pouvoir discrétionnaire humain non contrôlé. Sur cette question, les preuves sont claires. Premièrement, mon adversaire n'a jamais réfuté avec succès le point essentiel selon lequel toute activité policière implique de la prédiction. Chaque affectation de patrouille, chaque décision d'allocation de ressources est une prévision. Le choix n'est pas entre la prédiction et l'absence de prédiction – il s'agit d'une prédiction systématique et vérifiable par opposition à un jugement individuel opaque. L'alternative préférée de mon adversaire – « l'avis de la communauté » et « le déploiement basé sur les besoins » – nécessite toujours que quelqu'un décide où vont les agents. Sans outils basés sur les données, ces décisions reviennent aux biais humains mêmes que mon adversaire prétend combattre. Deuxièmement, mon adversaire a invoqué à plusieurs reprises le problème de la boucle de rétroaction, mais n'a jamais suffisamment abordé la solution que j'ai présentée : utiliser les données de crimes signalés par les victimes plutôt que les données d'arrestation. Ce n'est pas une solution hypothétique – c'est déjà une pratique courante dans les implémentations leaders. Les signalements de victimes issus des appels au 911 reflètent où le crime se produit réellement tel qu'expérimenté par les résidents, et non où la police choisit de patrouiller. La réponse de mon adversaire a été d'affirmer que même les appels au 911 sont façonnés par les pratiques policières, mais cela étire l'argument au point de le rendre infalsifiable. Si aucune source de données n'est jamais assez propre, alors mon adversaire ne s'oppose pas à la police prédictive – il s'oppose à la possibilité de connaissance empirique sur le crime, ce qui est une position intenable pour quiconque souhaite également des alternatives « basées sur des preuves ». Troisièmement, concernant l'efficacité, mon adversaire a qualifié les preuves de faibles et contestées. Mais des preuves contestées ne sont pas des preuves absentes. L'essai contrôlé randomisé de Los Angeles a montré des réductions de la criminalité dans les points chauds prédits par l'algorithme sans augmentation des arrestations – une conclusion que mon adversaire a rejetée mais jamais réellement réfutée par des preuves contraires de rigueur égale. Mon adversaire a évoqué les effets de déplacement et les préoccupations de mesure, mais ce sont des défis courants dans toute évaluation criminologique, pas des disqualifications uniques de la police prédictive. Si nous appliquions la norme de preuve de mon adversaire de manière cohérente, nous devrions également abandonner les programmes d'intervention communautaire contre la violence, les initiatives de justice réparatrice et la plupart des programmes de services sociaux, qui ont tous des bases de preuves similaires et mitigées. Quatrièmement, mon adversaire a présenté un faux dilemme entre la police prédictive et l'investissement dans les causes profondes – services sociaux, logement, éducation, santé mentale. J'ai dit à plusieurs reprises que ces stratégies sont complémentaires, et non concurrentes. Les communautés confrontées à la violence aujourd'hui ont besoin à la fois d'investissements structurels à long terme et d'une police immédiate et efficace. Mon adversaire n'a jamais expliqué comment une famille dans un quartier à forte criminalité bénéficie du retrait des outils d'allocation de ressources les plus efficaces disponibles pour son service de police local, tout en attendant des années ou des décennies que les investissements en amont portent leurs fruits. Cinquièmement, en matière de transparence et de responsabilité, mon adversaire et moi sommes en fait d'accord sur l'objectif : tout système prédictif doit être ouvert à l'audit, soumis à une évaluation indépendante, contraint par des exigences d'équité et régi par une surveillance communautaire. Mais voici le point crucial que mon adversaire n'a jamais abordé – les systèmes algorithmiques sont particulièrement adaptés à ce type de surveillance précisément parce qu'ils sont formels, explicites et reproductibles. Vous pouvez auditer un algorithme. Vous pouvez le tester pour détecter un impact disparate. Vous pouvez exiger qu'il respecte des seuils d'équité spécifiques. Vous ne pouvez rien faire de tout cela avec les intuitions d'un sergent de patrouille individuel décidant où envoyer les agents ce soir. Mon adversaire exige la responsabilité, mais rejette l'outil même qui rend la responsabilité la plus réalisable. Enfin, la position de mon adversaire, poussée à sa conclusion logique, est autodestructrice. Si nous arrêtons la police prédictive, les services de police ne cessent pas de faire des prédictions – ils les font simplement de manière moins transparente, moins cohérente et avec moins de responsabilité. Les communautés que mon adversaire cherche à protéger se retrouvent avec moins de surveillance des décisions de police, pas plus. Ce n'est pas la justice. C'est une cécité volontaire déguisée en principe. La voie responsable à suivre n'est pas l'abolition mais la réforme : algorithmes transparents basés sur des données signalées par les victimes, audits indépendants des biais, protocoles stricts régissant la manière dont les prédictions se traduisent en actions policières, surveillance communautaire significative et évaluation continue. Cette approche exploite les avantages réels de l'allocation des ressources basée sur les données tout en abordant les préoccupations légitimes concernant les biais et les libertés civiles. Mon adversaire a offert passion et principe, mais aucune alternative viable qui protège les communautés confrontées à la violence aujourd'hui. La police prédictive, mise en œuvre de manière responsable, fait les deux – elle fait progresser la sécurité et la responsabilité simultanément. C'est pourquoi elle mérite un développement continu, et non un abandon.

Conclusion : La police prédictive n'est pas une solution technique neutre, mais un système qui codifie l'injustice historique et l'amplifie sous couvert d'efficacité. Mon adversaire nous demande de faire confiance aux algorithmes parce qu'ils promettent l'objectivité, des audits et des données fournies par les victimes — pourtant, aucune de ces garanties ne supprime le problème fondamental : les données sur lesquelles ces systèmes s'appuient sont produites par des pratiques d'application de la loi biaisées, et les résultats algorithmiques rétroagissent sur le même système policier qui a généré le biais. Cette boucle de rétroaction n'est pas un cas limite hypothétique ; elle concentre de manière prévisible la surveillance, les contrôles et les arrestations dans des communautés déjà sur-policées, produisant des préjudices mesurables — casiers judiciaires, pertes d'emplois, vies perturbées — qui dégradent la sécurité publique plutôt que de l'améliorer. Les affirmations de réduction prouvée de la criminalité reposent sur des preuves minces et contestées. De petites réductions à court terme des incidents enregistrés peuvent refléter des déplacements, des changements dans les signalements ou une détection accrue plutôt que des baisses réelles de la victimisation. Les outils propriétaires sans auditabilité indépendante rendent impossible la vérification des avantages allégués ou la quantification des préjudices. Les solutions d'ingénierie promises — exclusion de certaines entrées, ajout de contraintes d'équité ou focalisation sur les rapports des victimes — sont souvent politiquement complexes, techniquement limitées et circulaires lorsque la police elle-même génère les données que nous utiliserions pour « corriger » le modèle. Au-delà de la critique statistique, des valeurs civiques fondamentales sont en jeu : le droit à une procédure régulière, la transparence et la confiance de la communauté. Les scores de risque opaques et le ciblage automatisé sapent les protections contre les soupçons individualisés et n'offrent aucune voie de recours viable. L'érosion de la confiance réduit la coopération avec les forces de l'ordre et affaiblit la sécurité publique à long terme — exactement le contraire de ce que promettent les partisans. Nous ne plaidons pas pour l'inaction. Les communautés ont besoin à la fois de réponses immédiates et efficaces à la violence et d'investissements à plus long terme qui s'attaquent aux causes profondes : logement, services de santé mentale et de traitement des dépendances, éducation, emplois et prévention de la violence menée par la communauté. Lorsque des analyses sont utilisées, elles doivent être open-source, publiquement auditables, strictement limitées à des utilisations de planification non liées à l'application de la loi, et déployées uniquement après des évaluations d'impact indépendantes. En l'absence de ces limites strictes, la règle par défaut devrait être l'arrêt — pas l'expansion. Mon adversaire a présenté la police prédictive comme un outil réformable ; la réalité est que ses mécanismes centraux la rendent particulièrement sujette à reproduire les biais structurels et à infliger des préjudices concentrés aux personnes marginalisées. La conclusion prudente, juste et fondée sur des preuves est d'arrêter ou de restreindre sévèrement l'exploitation opérationnelle de la police prédictive, d'exiger une transparence totale et une évaluation indépendante avant toute utilisation, et de réorienter les ressources vers des stratégies de sécurité publique éprouvées et équitables qui n'automatisent pas la discrimination.