Toutes les conférences sur le développement en 2025 ont eu un panel sur l’IA. La plupart disaient la même chose : « potentiel transformateur », « déploiement responsable », « ne laisser personne de côté ». Très peu ont présenté des produits qui fonctionnaient réellement.
Un an plus tard, le tableau est plus clair. Certaines applications de l’IA dans le développement donnent des résultats réels. D’autres se sont révélées être des solutions en quête de problèmes. Voici ce que les données montrent.
Ce qui fonctionne
Traitement documentaire et gestion des connaissances. C’est là que l’IA a trouvé son adéquation produit-marché la plus claire dans le secteur du développement. Des organisations comme la Banque mondiale, le PNUD et les grandes ONGI produisent d’énormes volumes de texte : documents de projet, évaluations, notes de politique, stratégies pays. Trouver une information pertinente dans ces référentiels supposait auparavant de savoir exactement où chercher, ou de passer des heures en recherche manuelle.
Les grands modèles de langage et les systèmes de génération augmentée par récupération (RAG) ont changé cela. Au lieu de la correspondance par mots-clés, ces systèmes comprennent le sens d’une requête et trouvent des documents pertinents même quand la terminologie ne correspond pas exactement. Une recherche sur « programmes de résilience à la sécheresse au Sahel » renvoie désormais des résultats étiquetés « sécheresse », « résilience climatique » ou « adaptation pastorale », dans plusieurs langues et plusieurs bases de données.
L’approche d’ICOpedia en matière de données de développement en est un exemple concret : combiner les jeux de données IATI avec la recherche sémantique permet aux consultants de trouver des projets, études et évaluations pertinents en quelques secondes plutôt qu’en plusieurs heures.
Analyse d’imagerie satellitaire. L’apprentissage automatique appliqué aux données de télédétection est devenu vraiment utile pour surveiller la production agricole, la déforestation, l’expansion urbaine et les impacts des catastrophes. Les données Copernicus de l’Agence spatiale européenne, combinées à des modèles entraînés, permettent désormais aux organisations de développement de suivre les changements avec une granularité que les visites de terrain seules ne pourraient jamais atteindre.
Analytique prédictive pour la réponse aux crises. Le Centre de données humanitaires d’OCHA et le Programme alimentaire mondial ont tous deux déployé des modèles combinant données météorologiques, prix du marché, indicateurs de conflit et mouvements de population pour prédire les crises de sécurité alimentaire des semaines ou des mois avant qu’elles ne deviennent des urgences. La précision n’est pas parfaite, mais elle est systématiquement meilleure que les méthodes traditionnelles d’alerte précoce.
Ce qui peine
Chatbots pour l’engagement des bénéficiaires. L’idée était séduisante : déployer l’IA conversationnelle pour aider les communautés à accéder aux informations sur les services, signaler des griefs ou donner des retours. En pratique, les obstacles sont importants. La faible pénétration des smartphones dans les communautés rurales du Sahel, la connectivité internet limitée, la diversité linguistique (de nombreuses langues locales n’ont pas de corpus numérique pour l’entraînement) et les problèmes de confiance ont tous freiné l’adoption.
Rédaction automatisée de demandes de subvention. Plusieurs startups ont promis la génération de propositions par l’IA pour les organisations de développement. Les résultats semblent professionnels mais manquent de la profondeur contextuelle et des connaissances institutionnelles que les évaluateurs attendent. Pire, quand plusieurs candidats utilisent les mêmes outils, les propositions commencent à se ressembler étrangement, ce que les évaluateurs remarquent.
Tableaux de bord « IA pour les ODD ». Beaucoup de ces plateformes agrègent des données publiquement disponibles et les présentent avec des visualisations soignées, mais ajoutent une valeur analytique limitée. Les problèmes de fond sur la qualité des données (rapports incohérents, lacunes dans les statistiques nationales, décalages temporels) ne peuvent pas être résolus par une meilleure interface.
La question de la gouvernance
L’Organe consultatif sur l’IA des Nations Unies a publié ses recommandations finales fin 2025, en appelant à un cadre de gouvernance mondial qui équilibre innovation et responsabilité. Pour les organisations de développement, les implications pratiques se précisent encore, mais la direction est claire : les déploiements d’IA dans les contextes de développement feront l’objet d’un examen croissant sur la protection des données, les biais algorithmiques et le consentement éclairé, en particulier quand les populations affectées ont une littératie numérique limitée.
La Stratégie continentale de l’Union africaine en matière d’IA ajoute une couche supplémentaire, en soulignant que les solutions d’IA déployées en Afrique doivent être développées avec, et non seulement pour, les institutions et communautés africaines.
Où cela mène
Les applications d’IA les plus utiles dans le développement partagent trois caractéristiques : elles résolvent un problème spécifique et bien défini ; elles travaillent avec des données existantes plutôt que d’exiger une nouvelle collecte ; et elles renforcent l’expertise humaine au lieu d’essayer de la remplacer.
L’intelligence documentaire et la gestion des connaissances cochent ces trois cases. Le secteur du développement produit plus de connaissances utiles qu’il ne peut en exploiter. L’IA qui rend ces connaissances trouvables, contextuelles et exploitables, dans plusieurs langues et au-delà des frontières institutionnelles, devient une infrastructure essentielle.
Les organisations et plateformes qui réussiront pèseront sur le fonctionnement de la coopération au développement pour les années à venir.
