IA & automatisation
Une IA pour quoi faire ?
Et si on commençait par les vrais besoins du continent ?
On parle beaucoup d'intelligence artificielle en Afrique. Des conférences, des démonstrations, des projets pilotes, des annonces.
Une question arrive pourtant assez rarement en premier : quel problème cherche-t-on à résoudre ?
Imaginez un centre de santé où l'on peine à retrouver un dossier. Ou une petite entreprise qui suit encore toutes ses commandes à la main. Ou un agriculteur qui manque d'informations au bon moment.
Faut-il immédiatement leur proposer un grand modèle de langage ? Peut-être pas.
La réponse pourrait commencer par des données mieux organisées, une meilleure connexion, une interface utilisable ou un processus plus simple. L'IA ne devient intéressante que si elle ajoute réellement quelque chose à cet ensemble.
Je trouve l'IA passionnante. Mais je me méfie de cette tentation de partir de la technologie avant de regarder les besoins.
Une mauvaise organisation équipée d'une IA reste une mauvaise organisation. Elle risque simplement de se tromper plus vite.
Voyons où ces outils pourraient être utiles, à quelles conditions et pourquoi les questions de langues, de données et d'infrastructures sont tout aussi importantes que les modèles.
1. Agriculture : donner une capacité d'analyse à chaque producteur et conseiller
L'agriculture africaine subit simultanément variabilité climatique, maladies, accès imparfait au marché et manque de services de vulgarisation. L'IA peut combiner météo locale, images satellitaires, données du sol, calendrier cultural et prix de marché pour produire des conseils plus précis.
L'interface décisive ne sera pas toujours une application sophistiquée. Elle peut être un message vocal en wolof, swahili ou bambara, un menu USSD ou un outil hors ligne utilisé par un conseiller agricole. Le système doit expliquer pourquoi il recommande une date de semis, signaler son niveau d'incertitude et laisser la décision finale au producteur.
Les modèles doivent être évalués par zone agroécologique. Une recommandation entraînée sur des exploitations européennes ou sur une région africaine ne peut pas être généralisée automatiquement à tout le continent.
2. Santé : augmenter le temps clinique, pas automatiser la responsabilité
Dans les zones où les professionnels sont peu nombreux, l'IA peut aider au triage, à la transcription, à la traduction, au rappel des protocoles et à la détection d'anomalies sur certaines images médicales. Elle peut aussi prévoir les ruptures de médicaments, optimiser les tournées de santé communautaire et accélérer la surveillance épidémiologique.
Le meilleur usage est souvent un copilote pour le soignant, non un médecin automatique. Le professionnel doit voir les éléments ayant conduit à la suggestion, connaître les limites du système et pouvoir la rejeter. Les décisions à fort impact nécessitent une validation humaine et une voie de recours.
Avant de déployer un modèle, il faut le tester sur les appareils, langues, profils de patients et conditions de collecte réellement rencontrés. Un système très précis dans un hôpital équipé peut échouer dans un poste de santé où l'image est compressée, l'éclairage variable et la connexion intermittente.
3. Éducation : équiper les enseignants avant de promettre un tuteur à chaque élève
L'IA peut préparer des exercices différenciés, simplifier un texte, générer des exemples locaux, traduire un contenu ou aider un enseignant à analyser les erreurs récurrentes d'une classe. Elle peut rendre accessibles des ressources pédagogiques dans des zones où les manuels et spécialistes sont rares.
Mais un chatbot ne corrige ni une salle surchargée, ni l'absence d'électricité, ni la formation insuffisante des enseignants. La priorité devrait être de concevoir avec les enseignants : contenus alignés sur les programmes nationaux, fonctionnement à faible coût de données, contrôle des réponses et protection des informations des mineurs.
Le potentiel est réel lorsque le produit respecte le contexte. Une étude menée auprès d'enseignants en Sierra Leone a par exemple observé qu'un assistant accessible dans une messagerie courante pouvait fournir des réponses plus pertinentes localement et consommer beaucoup moins de données qu'une recherche web classique. Ce résultat ne doit pas être généralisé sans réplication, mais il indique une direction : l'IA peut parfois réduire le coût d'accès à l'information si elle est conçue pour les contraintes locales.
4. Services publics : réduire les délais sans créer une administration opaque
Les administrations peuvent utiliser l'IA pour classer des documents, extraire des informations, détecter des dossiers incomplets, traduire, répondre aux questions courantes et aider les agents à retrouver une règle. Les contrôles fiscaux, la commande publique ou les prestations sociales peuvent aussi bénéficier de modèles de détection d'anomalies.
Cependant, automatiser un mauvais processus ne le rend pas juste. Avant l'IA, il faut simplifier la procédure et connecter les registres de référence. Toute décision qui refuse un droit, déclenche un contrôle ou classe une personne comme suspecte doit rester explicable, traçable et contestable.
L'État doit séparer trois usages :
- assister, lorsque l'IA prépare une réponse soumise à un agent ;
- recommander, lorsque l'IA priorise mais qu'un humain décide ;
- décider, ce qui exige un niveau beaucoup plus élevé de base légale, de preuve, d'audit et de recours.
Commencer par l'assistance produit souvent des gains rapides avec moins de risques.
5. PME et économie informelle : diffuser une capacité qui était réservée aux grandes entreprises
Une petite entreprise peut utiliser l'IA pour tenir une comptabilité plus propre, prévoir sa trésorerie, préparer une réponse commerciale, traduire un catalogue, analyser les retours clients ou produire une première version de contrat. Un artisan peut documenter son savoir-faire, un commerçant comparer ses ventes et un exportateur adapter son contenu à plusieurs marchés.
Le principal obstacle n'est pas seulement le prix du modèle. C'est l'intégration au travail réel : données éparpillées dans WhatsApp et des cahiers, absence de facturation structurée, faible confiance et manque de support. Les solutions utiles devront souvent commencer par numériser simplement les opérations, puis ajouter une IA discrète au bon endroit.
La valeur créée doit rester dans l'économie locale. La commande publique et les programmes d'appui peuvent favoriser des entreprises africaines capables d'intégrer, évaluer et maintenir ces systèmes, plutôt que de financer uniquement des licences importées.
6. Langues africaines : transformer une exclusion en avantage de conception
Une technologie qui ne comprend que le français ou l'anglais formel exclut une grande partie de la population. La voix, la traduction et la reconnaissance des langues nationales peuvent faciliter l'accès aux soins, à l'éducation, à la justice et aux services financiers.
Mais une langue ne se résume pas à collecter des enregistrements. Il faut rémunérer les contributeurs, documenter les consentements, représenter les accents et dialectes, associer linguistes et communautés, puis mesurer les erreurs en situation réelle. Le projet African Next Voices, présenté par l'UNESCO, a numérisé des milliers d'heures de parole dans plusieurs pays : ce type d'investissement collectif crée une infrastructure réutilisable bien au-delà d'une seule application.
Les cinq fondations d'une IA utile en Afrique
Connectivité
Les produits doivent être mobiles, légers, tolérants aux coupures et capables de synchroniser plus tard. Les États doivent continuer à investir dans fibre, couverture rurale, points d'échange Internet et accessibilité des terminaux. Sans cela, l'IA bénéficiera surtout aux populations déjà connectées.
Capacité de calcul
Tous les pays n'ont pas besoin d'entraîner un modèle géant. Ils ont besoin d'accéder à du calcul pour adapter et exécuter des modèles, héberger des données sensibles et soutenir la recherche. Des infrastructures régionales mutualisées, alimentées par une énergie fiable, peuvent être plus efficaces que 54 projets nationaux isolés.
Les petits modèles spécialisés, parfois exécutables sur un téléphone ou un serveur local, sont souvent plus économiques, plus auditables et suffisants pour une tâche bien définie.
Contexte et données
Les données publiques devraient être gouvernées comme une infrastructure : catalogues, formats ouverts, qualité mesurée, API, responsabilités et règles d'accès. « Ouvrir » ne signifie pas publier des données personnelles. Il faut distinguer données ouvertes, données partagées sous accord et données sensibles strictement contrôlées.
Une donnée locale de qualité est souvent plus importante qu'un modèle plus grand. Sans contexte africain, le système reproduira les lacunes du web et proposera des réponses plausibles mais inadaptées.
Compétences
L'Afrique doit former des chercheurs et ingénieurs, mais aussi des enseignants, médecins, agronomes, juristes, responsables publics et dirigeants capables d'évaluer un système. La compétence stratégique n'est pas uniquement de programmer un modèle ; c'est de choisir un bon cas d'usage, mesurer ses erreurs et l'intégrer de manière responsable.
Confiance et gouvernance
Chaque déploiement doit avoir un responsable identifiable, une base légale, un registre des données, des tests de biais et de sécurité, une surveillance après mise en service et un mécanisme de recours. Les modèles et fournisseurs peuvent changer ; l'État ou l'organisation reste responsable du service rendu.
Une méthode pour éviter les démonstrations sans lendemain
Beaucoup de projets commencent par une technologie disponible puis cherchent un problème à lui attribuer. Une démarche plus rigoureuse tient en sept étapes :
- choisir un problème fréquent, coûteux et mesurable ;
- établir la performance actuelle : délai, coût, erreurs et personnes exclues ;
- vérifier les données, les droits et l'infrastructure disponibles ;
- comparer l'IA à une automatisation classique plus simple ;
- prototyper avec les professionnels et les usagers concernés ;
- évaluer sur des cas locaux, y compris les pires situations ;
- ne passer à l'échelle que si le bénéfice, le coût et le risque sont démontrés.
Les indicateurs devraient mesurer une réalité : temps économisé par un soignant, revenu agricole amélioré, taux d'abandon d'une démarche réduit, élève mieux accompagné, erreur détectée. Le nombre de chatbots lancés n'est pas un indicateur de développement.
Choisir la capacité plutôt que la dépendance
L'Afrique n'a pas besoin de reproduire la course mondiale au plus grand modèle. Elle peut se spécialiser dans l'adaptation : données locales de qualité, petits modèles efficaces, langues africaines, intégration sectorielle, évaluation et sécurité.
Cela suppose de négocier la portabilité des données et des modèles, d'éviter l'enfermement chez un fournisseur, de financer les biens communs numériques et d'utiliser la commande publique pour faire grandir un écosystème local. Quand des modèles étrangers sont les meilleurs, il faut pouvoir les utiliser sans leur céder toute la chaîne de valeur ni des données qui ne devraient pas sortir.
L'IA peut accélérer le développement africain si elle augmente la capacité de ceux qui travaillent déjà sur le terrain : producteur, enseignant, infirmier, entrepreneur ou agent public. Le succès ne sera pas une démonstration spectaculaire à Dakar, Nairobi ou Kigali. Ce sera un service fiable, abordable et compréhensible qui continue de fonctionner loin des conférences, sur un téléphone ordinaire, dans la langue de son utilisateur.
